La réduction de la pauvreté reste au cœur des efforts mondiaux de développement dans le cadre de l'agenda des Nations Unies (ONU) de 2030. Cependant, les questions continuent de se poser sur la précision et l'inclusivité des mesures qui définissent et mesurent la pauvreté, en particulier dans l'héritage des objectifs de développement du millénaire (OMD). Les critiques soulignent un biais de données persistant dans les mesures de pauvreté, qui est devenue encore plus prononcée avec la montée en puissance de l'intelligence artificielle prédictive (IA) et de la planification du développement basée sur les données.
MDG trop ambitieux
Les OMD, suivis par les objectifs de développement durable (ODD), visaient initialement à atteindre les étapes de base du développement mais n'ont pas démontré de progrès significatifs vers le développement durable dans la pratique. L'ONU a introduit les OMD en 2000 pour lutter contre l'extrême pauvreté mondiale.
Au cours du déploiement précoce des OMD, de nombreux observateurs ont prédit une défaillance quasi-cercle en raison des «objectifs trop ambitieux» et des «attentes irréalistes imposées à l'aide». Des cibles vagues et radicales reposaient sur les niveaux de référence de 1990 pour des indicateurs tels que la mortalité infantile et l'accès à l'eau potable – malgré la disponibilité limitée des données. Cette dépendance a créé un vide de données où les estimations dépendent en grande partie des suppositions. Beaucoup considéraient l'hypothèse sous-jacente – que les transferts d'aide pourraient résoudre à eux seuls la pauvreté – comme imparfait, en particulier compte tenu du contexte mondial façonné par la mondialisation capitaliste et l'exploitation historique.
Le groupe consultatif d'experts indépendant de l'ONU a ensuite critiqué les OMD pour avoir manqué de données suffisantes, notant que moins de 70% des indicateurs requis ont eu des rapports cohérents au cours des cinq ans. En réponse, l'ONU a introduit les ODD en 2015 avec 231 indicateurs pour combler les lacunes des données et améliorer le suivi des objectifs entre les efforts de développement.
La révolution des données ODD
Les ODD ont remplacé les OMD et ont marqué un changement vers un modèle de développement plus basé sur les données et lourds. Cette approche met l'accent sur les «mégadonnées» et les repères quantifiables pour définir et suivre les progrès. Cependant, s'appuyer fortement sur des données quantitatives présente des défis. Dans les mesures de pauvreté, les cibles numériques déforment ou simplifient souvent les vrais problèmes. Les nombres peuvent obscurcir les débats théoriques qui stimulent les progrès, obstruant les efforts pour lutter contre les inégalités structurelles et les causes sous-jacentes de la pauvreté.
L'objectif d'éradication de la pauvreté des ODD continue de tirer d'une définition eurocentrique de la pauvreté qui met l'accent sur la satisfaction des besoins fondamentaux. Cette approche étroite surplombe les cadres plus larges et plus critiques, tels que les théories féministes, raciales ou décoloniales. Par exemple, l'accent mis sur l'inscription des écoles primaires en tant que indicateur indirect des progrès éducatifs ignore la nécessité d'une formation professionnelle et d'accès à l'enseignement secondaire ou supérieur. Cela suppose également que les enfants qui s'inscrivent à l'école primaire continueront leurs études – une hypothèse qui échoue dans des contextes où les filles quittent souvent l'école tôt pour devenir des travailleurs ménagères ou des femmes.
Les données reflètent rarement les disparités raciales dans l'accès à l'éducation, telles que le nombre disproportionné d'enfants minoritaires incapables de fréquenter l'école. En conséquence, les mesures semblent souvent impressionnantes sur papier mais manquent de valeur pratique. Ces biais renforcent les idéologies dominantes et ne redéfinissent le développement qu'en termes de réduction de la pauvreté tout en n'ayant pas abordé ses causes profondes.
Les lacunes existantes dans l'utilisation des données quantitatives
Une autre préoccupation croissante est l'utilisation croissante des mégadonnées et de l'IA pour générer des mesures de développement. Les modèles d'IA, formés sur des ensembles de données dérivés principalement des pays occidentaux, reproduisent et amplifient souvent les biais existants. Ces systèmes appliquent des hypothèses eurocentriques aux problèmes mondiaux de pauvreté et génèrent des résultats qui ne saisissent pas les diverses réalités des communautés en dehors des États-Unis (États-Unis) et de l'Europe.
Les critiques plaident pour la nécessité de compléter les mégadonnées avec l'ethnographie de données et la recherche qualitative. Les entretiens semi-structurés et la recherche participative aident à découvrir les contextes sociaux derrière les points de données. Sans de telles méthodes, les systèmes d'IA risquent d'intégrer et de reproduire les mêmes biais structurels qui façonnent les modèles de développement actuels.
En avant
Le passage des OMD aux ODD a introduit des cibles mesurables, mais la surestimation des indicateurs quantitatives pourrait saper la compréhension de la pauvreté en tant que problème complexe et spécifique au contexte. Alors que les OMD ont lutté en raison des lacunes de données, les ODD peuvent désormais s'appuyer trop sur des nombres qui ne reflètent pas l'expérience vécue. Pour construire un programme de développement mondial plus précis et plus inclusif, les efforts futurs peuvent potentiellement adopter une approche multidimensionnelle – celle qui intègre les connaissances locales, le contexte culturel et les idées qualitatives.
*
