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 avril – 4 mai 2026

Mots clés : IA, recherche en enquête, statistiques officielles, apprentissage automatique, qualité des données, enquêtes ménages, détection de chatbot, AAPOR, LLM, traduction de questionnaire, statistiques fédérales

Points clés

  • Une nouvelle étude en prépublication conduite par des chercheurs de Prolific révèle que moins de 1 % des quelque 4 800 réponses à des enquêtes en ligne sur 12 plateformes ont probablement été complétées par des chatbots IA, remettant en question la peur généralisée d’une infiltration de l’IA dans les données d’enquête. Amazon Mechanical Turk est une exception notable, avec environ 16 % des réponses signalées.
  • La 81e conférence annuelle de l’AAPOR (Los Angeles, 13-15 mai 2026) propose un programme riche en sessions liées à l’IA, comprenant des évaluations des LLM pour l’analyse de données d’enquêtes complexes, la traduction de questionnaires assistée par IA, et des simulations multi-agents LLM pour la modélisation d’opinion.
  • La deuxième Journée IA pour les statistiques fédérales, tenue le 30 avril 2026, a réuni les agences statistiques fédérales pour partager les meilleures pratiques d’utilisation de l’IA générative dans les processus de production statistique, couvrant des cas d’usage allant du résumé de documents au codage et à la classification.
  • Un nouvel article dans l’International Statistical Review (Kenett, 2026) offre une perspective complète sur les applications de l’IA et de l’apprentissage automatique dans l’analyse des données d’enquête, plaidant pour une transition des approches énumératives traditionnelles vers des analyses prospectives.

1. Les chatbots IA infiltrent-ils les données d’enquête en ligne ? Pas encore, selon une nouvelle étude

Une prépublication publiée sur PsyArXiv fin avril 2026 par des chercheurs affiliés à Prolific aborde directement l’une des préoccupations majeures en méthodologie des enquêtes contemporaines : dans quelle mesure les chatbots IA peuvent-ils compléter des enquêtes en ligne et ainsi compromettre l’intégrité des données [1].

L’étude a examiné environ 4 800 réponses collectées via 12 plateformes d’enquêtes en ligne, en utilisant un nouvel outil de détection d’authenticité développé par Prolific. La principale conclusion est rassurante : moins de 1 % des réponses ont été signalées comme probablement non humaines. L’outil de détection a montré une grande précision, identifiant correctement les 125 enquêtes complétées par des chatbots IA (ChatGPT, Gemini, Claude, Perplexity, et un agent interne de Prolific) dans un test contrôlé, sans produire de faux positifs parmi 124 enquêtes humaines.

La seule exception inquiétante est Amazon Mechanical Turk (MTurk), où environ 16 % des réponses ont été signalées. Cependant, l’auteur principal de l’étude, Andrew Gordon, a noté que les réponses signalées présentaient des caractéristiques compatibles avec des bots d’enquête scriptés traditionnels — qui existent depuis plusieurs décennies — plutôt qu’avec des chatbots IA modernes sophistiqués. Les chatbots utilisés dans le test ont d’ailleurs surpassé les humains sur presque toutes les mesures de qualité, suggérant que les réponses signalées sur MTurk ne représentent pas une infiltration authentique de chatbots IA.

La conclusion plus large de l’étude est que la qualité des données humaines — y compris les fraudes humaines et les comportements de satisficing — représente une menace bien plus importante pour l’intégrité des données que l’infiltration de chatbots IA. Natalia Pinzón, experte indépendante en intégrité des données d’enquête, a qualifié l’analyse de « rigoureuse » et « bien réalisée », tout en soulignant que la fraude humaine coordonnée et les réponses invalides sophistiquées constituent le défi le plus urgent du domaine.

2. 81e conférence annuelle de l’AAPOR : focus sur les sessions IA et LLM

L’American Association for Public Opinion Research (AAPOR) tiendra sa 81e conférence annuelle à Los Angeles, Californie, du 13 au 15 mai 2026, sous le thème « Retrouver la pertinence : confiance, innovation et avenir de la recherche sur l’opinion publique » [2]. Le programme comprend un nombre substantiel de présentations directement liées à l’application de l’IA dans la recherche par enquête.

Parmi les sessions les plus remarquables liées à l’IA figure notamment : le jeudi 14 mai, Trent D. Buskirk et Raphael Nishimura présenteront « Puis-je vous demander une bonne estimation s’il vous plaît ? Évaluation de la façon dont les grands modèles de langage analysent les données d’enquêtes complexes », proposant une évaluation systématique des capacités et limites des LLM dans le contexte de l’estimation d’enquêtes complexes. Toujours le 14 mai, Sunghee Lee, Stephanie Morales et Mengyao Hu présenteront « Le rôle des langues cibles, des modèles LLM, des prompts et des langues de prompt dans la qualité de la traduction assistée par IA des questionnaires d’enquête », abordant l’usage croissant des LLM pour automatiser la traduction des instruments d’enquête entre langues [3].

Le vendredi 15 mai, Mao Li et Fred Conrad présenteront « De l’exposition à l’information au débat : modélisation de la mise à jour d’opinions via des simulations multi-agents LLM », explorant l’usage d’agents basés sur LLM pour simuler la dynamique d’opinion. Une session parallèle par Fred Conrad et collègues traitera de « Promouvoir l’utilisation des réseaux sociaux pour comprendre l’opinion publique avec l’aide des LLM et autres outils de traitement du langage naturel ». Par ailleurs, Jan Karem Höhne et Mick Couper présenteront « Transcription et codage des réponses vocales obtenues dans les enquêtes web : comparaison entre reconnaissance automatique de la parole et grands modèles de langage », un sujet d’importance pratique croissante à mesure que les modalités vocales se développent [3].

L’étendue des présentations liées à l’IA à l’AAPOR 2026 reflète l’intégration rapide des outils d’apprentissage automatique et des LLM dans la pratique méthodologique centrale.

3. Journée IA pour les statistiques fédérales 2026 : déploiement de l’IA générative dans les agences statistiques

La deuxième Journée IA pour les statistiques fédérales s’est tenue le 30 avril 2026 au bâtiment de l’Académie nationale des sciences à Washington, D.C., coorganisée par le Comité sur les statistiques nationales (CNSTAT), le Comité fédéral sur la méthodologie statistique (FCSM), et le National Institute of Statistical Sciences (NISS) [4].

L’atelier a rassemblé des représentants de tout le système statistique fédéral américain — notamment le Bureau of Labor Statistics, le Bureau du recensement, le Bureau of Economic Analysis et le National Center for Health Statistics — pour partager expériences et meilleures pratiques dans le déploiement de l’IA générative. Le message central de l’événement était que la conversation dans les agences fédérales a radicalement changé : il ne s’agit plus de savoir si l’IA doit être utilisée, mais comment l’utiliser en toute sécurité et efficacité.

Les sessions en sous-groupes ont couvert une large gamme de cas d’usage, allant des outils de productivité et du résumé de documents au développement et à la conversion de code, à la production statistique, à la création de métadonnées, à l’évaluation de la qualité des données, à la protection de la vie privée et aux services facilitant la mission. Une session poster a présenté les travaux en cours dans les agences statistiques fédérales appliquant apprentissage automatique, IA générative et agents d’IA à des défis statistiques concrets, incluant développement et opérations d’enquêtes, codage et classification, et mesure de l’incertitude.

4. Perspectives IA dans l’analyse des données d’enquête : un nouveau cadre

Un nouvel article publié dans l’International Statistical Review par Ron S. Kenett de l’Institut Samuel Neaman du Technion propose une perspective large sur l’application de l’IA et de l’apprentissage automatique à l’analyse des données d’enquête [5]. L’article soutient que les méthodes d’IA et d’AM — basées sur la division des données en ensembles d’apprentissage et de validation plutôt que sur des hypothèses stochastiques — offrent un complément puissant aux approches statistiques traditionnelles.

Kenett préconise une transition du contexte énumératif traditionnel de l’analyse des enquêtes, centré sur la description d’une population fixe à un moment donné, vers des analyses prospectives pouvant soutenir la prédiction, la prise de décision et le suivi continu. L’article introduit un cadre de qualité de l’information comme une lentille stratégique pour évaluer l’adéquation des données d’enquête aux finalités analytiques, soulignant que la valeur des données d’enquête dépend non seulement de leur qualité technique mais aussi de leur pertinence et accessibilité pour les applications d’IA et d’AM en aval.

L’article passe en revue diverses techniques incluant arbres de décision, réseaux bayésiens, modèles d’équations structurelles et approches d’apprentissage profond, les situant dans le paysage plus large de la méthodologie des enquêtes. Il constitue une référence utile pour les praticiens cherchant à intégrer des outils d’IA dans leurs flux d’analyse d’enquêtes.

Références

[1] Gordon, A. et al. (2026). Are AI chatbots infiltrating online survey data? Not yet. PsyArXiv preprint. https://retractionwatch.com/2026/04/30/are-ai-chatbots-infiltrating-online-survey-data-not-yet-says-new-study/ [2] AAPOR 81st Annual Conference. American Association for Public Opinion Research. https://www.aapor.org/conference/ [3] SRC Researchers at the 2026 AAPOR Annual Conference. Survey Research Center, University of Michigan. https://src.isr.umich.edu/news-events/news/src-researchers-at-the-2026-american-association-for-public-opinion-research-annual-conference/ [4] AI Day for Federal Statistics 2026. National Institute of Statistical Sciences. https://www.niss.org/events/ai-day-federal-statistics-2026 [5] Kenett, R. S. (2026). Artificial Intelligence Perspectives in Survey Data Analysis. International Statistical Review. https://doi.org/10.1111/insr.70040