Cet article fait partie des mises à jour hebdomadaires sur les nouveaux développements dans l’utilisation des méthodes et outils d’IA pour les enquêtes (ménages, individus, exploitations agricoles…) et les données administratives pour les statistiques officielles.

Période couverte : 27 octobre – 02 novembre 2025

Mots-clés : IA, recherche par sondage, statistiques officielles, apprentissage automatique, qualité des données, enquêtes auprès des ménages, méthodes statistiques, analyse des données

Résumé

La mise à jour de cette semaine sur l’intégration de l’intelligence artificielle (IA) dans la recherche par sondage met en évidence des avancées significatives tout au long du cycle de vie de l’enquête, de la collecte et du traitement des données à l’analyse et à la diffusion. Les développements clés incluent l’adoption généralisée d’outils basés sur l’IA pour l’analyse de données qualitatives, la mise en œuvre de l’IA par les offices nationaux de statistique pour les processus statistiques fondamentaux, et un débat naissant, mais critique, concernant l’utilisation de répondants synthétiques. Pour les chercheurs et les offices statistiques, ces tendances signalent un changement de paradigme vers un traitement des données plus efficace, précis et opportun, tout en présentant de nouveaux défis et considérations méthodologiques.

Ce rapport synthétise des articles récents, des rapports industriels et des articles universitaires pour fournir un aperçu complet de l’état de l’IA dans la recherche par sondage. Nous explorerons les applications pratiques de l’IA dans l’édition et le nettoyage des données, les avantages tangibles observés par les premiers utilisateurs comme l’Office for National Statistics (ONS) du Royaume-Uni, les capacités des plateformes d’enquête IA disponibles dans le commerce, et le discours académique critique sur l’avenir des données d’enquête générées par l’IA.

La tendance récente la plus significative est la maturation rapide des outils d’IA conçus pour automatiser et améliorer l’analyse des données d’enquête qualitatives et à questions ouvertes. Traditionnellement un processus long et manuel, l’IA permet désormais aux chercheurs d’extraire des informations à partir de grands volumes de texte en une fraction du temps. Une analyse sectorielle récente indique que l’adoption de l’IA dans les fonctions commerciales, y compris le marketing et l’expérience client, a bondi de 50 % à 72 % au cours de la seule année dernière, alimentant le développement de ces outils sophistiqués [4].

Outils d’enquête IA disponibles dans le commerce

Un nombre croissant de plateformes commerciales offrent désormais des capacités d’IA avancées pour la recherche par sondage. Ces outils offrent une gamme de fonctionnalités, de la création d’enquêtes assistée par l’IA à l’intelligence de feedback en temps réel. Le tableau ci-dessous résume certaines des principales plateformes et leurs principales fonctionnalités d’IA, telles qu’identifiées dans un aperçu récent du marché [4].

Ces plateformes démocratisent l’accès à des techniques d’analyse avancées qui étaient auparavant du domaine des scientifiques des données, permettant à un plus grand nombre de chercheurs et d’organisations de tirer parti de l’IA dans leur travail.

Applications dans les Offices Nationaux de Statistique

Les offices nationaux de statistique (ONS) commencent à intégrer l’IA dans leurs processus fondamentaux pour améliorer l’efficacité et la précision. Un exemple notable est l’Office for National Statistics (ONS) du Royaume-Uni, qui a mis en œuvre un outil d’IA appelé ClassifAI pour le codage des professions dans son Annual Survey of Hours and Earnings (ASHE) [3]. Cela marque la première application directe de l’IA dans un processus statistique à l’ONS.

“C’est la première fois que l’ONS applique directement l’IA dans un processus statistique et, ce faisant, nous avons amélioré la précision du codage des professions tout en économisant des centaines d’heures de travail, que nous avons pu investir pour aider à obtenir un ensemble de données de qualité.” [3]

L’enquête ASHE est l’une des plus importantes menées par l’ONS, avec environ 174 000 déclarations d’employés. Le déploiement réussi de ClassifAI a non seulement amélioré la précision et l’efficacité de cette enquête spécifique, mais ouvre également la voie au déploiement de l’outil dans d’autres enquêtes de l’ONS. Cette mise en œuvre fait partie d’une stratégie plus large de l’ONS visant à moderniser ses statistiques économiques et à orienter les ressources de la science des données pour améliorer les résultats statistiques fondamentaux.

Données et répondants synthétiques : une perspective critique

Un développement plus naissant et controversé est l’utilisation de grands modèles linguistiques (LLM) pour générer des répondants synthétiques. Le concept implique la création de données artificielles qui imitent les caractéristiques statistiques des données d’enquête réelles, offrant potentiellement une alternative plus rapide et moins chère à la collecte de données traditionnelle. Cependant, des preuves empiriques récentes suggèrent que cette approche a des limites importantes.

Lors du Congrès 2025 de l’European Survey Research Association (ESRA), une étude a été présentée qui a testé la capacité de trois LLM différents à prédire les résultats des élections européennes de 2024. Les résultats ont été décrits comme “désastreux”, les modèles prédisant un taux de participation électorale de 83 %, contre un taux de participation réel de 49 % [2].

Les auteurs de l’étude ont souligné plusieurs facteurs contribuant à cet échec, notamment les biais dans les données d’entraînement et la complexité inhérente des dynamiques sociales. Bien que les données synthétiques puissent avoir une certaine utilité pour les cas d’utilisation descriptive (estimation de comportements déjà existants), leur pouvoir prédictif pour les comportements ou opinions non observés semble être sévèrement limité. Un expert dans le domaine a comparé l’utilisation de répondants synthétiques à “l’homéopathie de l’étude de marché”, déclarant : “il n’y a aucune preuve qu’ils fonctionnent, mais beaucoup de gens y croient encore” [2]. Pour les offices statistiques et les chercheurs exigeant des niveaux élevés de précision et de fiabilité, cela suggère qu’il convient de faire preuve de prudence lors de l’examen de l’utilisation de répondants synthétiques.

Recherche académique et avancées méthodologiques

Les applications pratiques de l’IA dans la recherche par sondage sont étayées par un corpus croissant de travaux universitaires. Des articles scientifiques récents se sont concentrés sur plusieurs domaines clés :

Codage automatisé des enquêtes : La recherche fondamentale sur le codage automatisé des professions et des industries, dont certaines remontent à plus d’une décennie d’institutions comme le US Census Bureau, a jeté les bases des outils maintenant mis en œuvre par les ONS comme l’ONS [6].

Apprentissage automatique pour l’imputation des données : Un corpus important de recherches est consacré à l’utilisation de l’apprentissage automatique pour l’imputation des données manquantes. Des revues systématiques et des études comparatives ont montré que les approches d’apprentissage profond peuvent surpasser les méthodes statistiques conventionnelles, offrant des solutions plus robustes pour la gestion des ensembles de données incomplets [6].

Ce travail académique est crucial pour valider l’utilisation de l’IA dans les applications statistiques et pour développer la prochaine génération de méthodologie d’enquête.

Conclusion

Les développements de la semaine dernière soulignent une période de transformation rapide dans le domaine de la recherche par sondage. L’IA n’est plus un concept futuriste, mais un outil pratique qui est activement déployé pour améliorer le traitement, l’analyse et la communication des données. Bien que le potentiel d’efficacité et d’informations plus approfondies soit immense, il est crucial pour les chercheurs et les offices statistiques de rester des consommateurs critiques et avisés de ces nouvelles technologies. Le cas des répondants synthétiques sert de rappel saillant de l’importance de la validation empirique et de la rigueur méthodologique.

À l’avenir, l’intégration réussie de l’IA dans la recherche par sondage nécessitera une double approche axée à la fois sur l’adoption technologique et le renforcement des capacités au sein des organisations. À mesure que les outils et les techniques continuent d’évoluer, les compétences et l’expertise des chercheurs qui les utilisent doivent également évoluer.

Références

[1] Blix.ai. (2025, 22 octobre). How AI Survey Text Analysis Can Save Hours of Manual Work. https://blix.ai/blog/ai-survey-text-analysis

[2] Ochoa, C. (2025, 21 octobre). Synthetic respondents and the future of survey research. Quirk’s Media. https://www.quirks.com/articles/synthetic-respondents-and-the-future-of-survey-research

[3]