Gouvernance des données : Qualité des données

Cette sous-ligne directrice fait partie de la ligne directrice Gouvernance des données. Se reporter à la ligne directrice principale pour le contexte et une vue d'ensemble.

Cette sous-ligne directrice explique pourquoi la qualité des données est importante, elle décrit les facteurs constitutifs de cette qualité et examine les avantages des données de haute qualité et les risques associés à des données de mauvaise qualité.

La qualité des données fait référence à certaines de leurs caractéristiques grâce auxquelles elles sont accessibles, utiles et fiables pour assurer une prise de décision efficace. Les données doivent être incontestablement exactes, complètes, cohérentes, accessibles, pertinentes et sûres.

Des données de haute qualité sont essentielles aux processus parlementaires. Elles sont à la base de décisions fiables, fondées sur des données, susceptibles d'améliorer l'efficacité opérationnelle, de réduire les risques opérationnels et stratégiques et de mieux répondre aux besoins globaux de l'organisation. Lorsque les systèmes d'IA sont intégrés aux processus décisionnels, ils peuvent accroître les avantages des solutions numériques. Toutefois, il faut noter que cette intégration peut également amplifier les risques associés. Il est donc d'autant plus important d'assurer la qualité des données si l'IA est impliquée dans les activités parlementaires.

La qualité des données peut être évaluée en fonction d'un certain nombre de critères, par exemple :

• L'accessibilité est le niveau de disponibilité de l'information ou le degré de facilité et de rapidité pour la récupérer. Les exigences en matière de disponibilité des données par processus opérationnel doivent être identifiées.
• La quantité appropriée d'informations est le niveau d'adéquation du volume d'informations par rapport à la tâche à accomplir. Il faut pour cela définir, pour chaque élément de données, l'importance de la quantité d'informations captées à des fins d'analyse.
• L'exhaustivité définit dans quelle mesure il n'y a pas d'informations manquantes et si les informations sont suffisamment étendues et approfondies pour la tâche à accomplir. Cet aspect est pris en compte en établissant des rapports sur l'exhaustivité des champs de données et en élaborant des plans visant à capter toutes les données conformément aux exigences de l'organisation.
• La cohérence définit dans quelle mesure les informations sont présentées avec le même contenu entre plusieurs systèmes et plates-formes. Ce critère est fonction de la compréhension des normes et des règles relatives aux données et de l'assurance que les systèmes respectent les règles définies.
• L'absence d'erreurs définit dans quelle mesure l'information est correcte et fiable, et quel est le degré de concordance entre une valeur de données (ou un ensemble de valeurs) et une source supposée correcte. L'absence d'erreurs peut être réalisée en définissant des règles de validation, en effectuant des tests réguliers et en établissant des rapports sur des échantillons de données pour vérifier leur conformité.
• La pertinence définit dans quelle mesure les informations sont appropriées pour les processus opérationnels. Ce critère dépend de la manière dont on détermine le scénario d'utilisation de chaque élément de données et dont on évalue sa valeur et sa pertinence grâce aux retours des utilisateurs.

Les données de haute qualité présentent de nombreux avantages pour les parlements, par exemple :

• Systèmes d'IA dignes de confiance : des données précises et fiables permettent de mieux entraîner les modèles d'IA.
• Analyse de meilleure qualité : des données de haute qualité permettent une analyse plus fiable, ce qui permet d'obtenir des informations, des conclusions et des prévisions plus précises et exploitables.
• Meilleure prise de décision : des données précises et fiables permettent aux parlements de prendre des décisions mieux motivées et moins risquées.
• Réduction des risques : des données sécurisées et protégées peuvent contribuer à prévenir la fraude, les pertes financières et les atteintes à la réputation.
• Réduction des coûts : des données de haute qualité réduisent les coûts liés à la correction des erreurs et le temps nécessaire pour traiter les problèmes liés aux données.
• Élaboration de politiques en toute connaissance de cause : des données précises et fiables permettent aux législateurs de rédiger des projets de loi fondés sur de solides éléments probants, ce qui se traduit par une législation plus efficace et utile.
• Recherche plus efficace dans les textes législatifs : des données de haute qualité sont essentielles pour mener des recherches approfondies sur la législation, ce qui permet aux parlementaires de comprendre des questions complexes et de prendre des décisions motivées.
• Soutien à l'innovation : des données de haute qualité peuvent servir à développer de nouveaux produits et services, car elles peuvent révéler non seulement des problèmes cachés, mais aussi des moyens potentiels de les résoudre.
• Plus grande confiance des citoyens : des données transparentes et de qualité favorisent la confiance des citoyens, qui peuvent constater que les décisions sont fondées sur des informations exactes.

La liste ci-dessous présente quelques-uns des principaux obstacles à l'obtention de données de qualité :

• Problèmes d'intégrité des données : des erreurs d'entrée ou de traitement peuvent compromettre l'exactitude et la fiabilité des données.
• Données en double : l'existence de plusieurs enregistrements pour une même entité peut être source de confusion et d'erreurs dans les rapports et les analyses, et les différentes versions des données sont difficiles à conserver synchronisées entre les diverses opérations.
• Données incohérentes : les variations de formats ou de normes de données entre les différents systèmes peuvent entraîner des problèmes d'intégration et des inexactitudes.
• Données obsolètes : l'utilisation de données anciennes ou obsolètes peut conduire à une prise de décision basée sur des informations non pertinentes.
• Données incomplètes : les champs de données manquants peuvent entraîner des lacunes dans l'analyse et entraver une prise de décision globale.
• Données ambiguës : les données qui ne sont pas claires ou qui manquent de contexte peuvent être mal interprétées et donner lieu à des conclusions erronées.
• Décisions mal étayées : des données inexactes ou incomplètes peuvent conduire les décideurs à faire de mauvais choix.

Dans les contextes parlementaires, des données de mauvaise qualité peuvent entraîner un ensemble spécifique de problèmes, dont certains sont examinés ci-dessous :

• Législation inadaptée : si des données erronées sont utilisées à des fins de démonstration, de recherche ou d'analyse politique, cela peut conduire à une législation inefficace ou ayant des conséquences négatives inattendues. Par exemple, un projet de loi sur la protection de l'environnement fondé sur des statistiques inexactes en matière de pollution pourrait cibler les mauvaises industries ou ne pas s'attaquer aux problèmes les plus urgents.
• Affectation inefficace des ressources : les décisions budgétaires fondées sur des données peu fiables peuvent conduire à une affectation inefficace des ressources. Par exemple, l'attribution de fonds à un programme social sur la base de statistiques obsolètes sur la pauvreté peut avoir pour conséquence que le programme n'aide pas les communautés qui en ont le plus besoin.
• Réduction de la confiance des citoyens : la perception que les décisions parlementaires sont basées sur des données douteuses peut éroder la confiance dans le processus législatif et saper l'efficacité des institutions gouvernementales.
• Problèmes de confidentialité des données : une mauvaise manipulation des données sensibles peut entraîner une fuite de données et une perte de confiance des citoyens. Par exemple, une fuite de données personnelles peut provoquer un tollé chez les citoyens et entraîner des répercussions juridiques.
• Biais dans la collecte des données : les biais inhérents aux méthodes de collecte des données peuvent fausser les résultats des politiques. Par exemple, les enquêtes qui ne représentent pas correctement les groupes minoritaires peuvent conduire à des politiques qui ne tiennent pas compte de leurs besoins.
• Confiance excessive à l'égard des données quantitatives : ignorer les données qualitatives conduit à une analyse incomplète. Par exemple, le fait de se concentrer uniquement sur des données statistiques sans tenir compte de l'opinion ou de la perception des citoyens peut conduire à des politiques impopulaires et inefficaces, et entraîner la non-prise en compte de tendances ou d'attitudes sociales clés. Par exemple, si une commission parlementaire utilise des statistiques criminelles erronées pour justifier une augmentation des fonds attribués à la police, la révélation ultérieure d'erreurs dans les données pourrait nuire à la confiance des citoyens dans le processus décisionnel et dans les changements politiques qui en découlent.

Les Lignes directrices pour l’IA dans les parlements ont été produites par l’UIP en collaboration avec le Pôle parlementaire sur la science des données du Centre pour l'innovation au parlement de l'UIP. Ce document est soumis à une licence Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International. Il peut être librement partagé et réutilisé en mentionnant l'UIP. Pour plus d'informations sur les travaux de l'UIP en matière d'intelligence artificielle, veuillez consulter le site www.ipu.org/fr/impact/democratie-et-parlements-forts/lintelligence-artificielle ou contacter [email protected].