2024
Cairn
Aleksandr Stepanov, « Le recours à l’évidence dans l’élaboration des normes internes », Civitas Europa, ID : 10670/1.iszch4
L’article examine l’existence de l’évidence dans le droit interne capable de déclencher l’adoption d’une norme individuelle ou générale, sans qu’une interprétation des prémisses factuelles soit nécessaire. L’étude est menée en se penchant sur deux sources de connaissances susceptibles d’avoir une telle qualité. La première source concerne l’utilisation de preuves scientifiques pour fonder les normes juridiques. Elle suggère que les normes fondées sur des preuves scientifiques soient perçues comme objectives et rationnelles, détachées des idéologies politiques et des émotions humaines. Cependant, la connaissance scientifique n’est pas toujours aussi évidente qu’elle ne le paraît, car les données scientifiques peuvent être obscures pour les non-spécialistes, sujettes à interprétation, et susceptibles de révisions à mesure que la science évolue. De plus, l’interprétation des données scientifiques est souvent teintée de subjectivité, et les décisions politiques basées uniquement sur des preuves scientifiques peuvent être considérées comme antidémocratiques. La deuxième approche met en lumière l’utilisation croissante de données numériques et leur traitement massif par les algorithmes d’intelligence artificielle pour déclencher l’adoption des normes juridiques. Cette approche est soutenue par l’idée que les données numériques sont objectives, détaillées et susceptibles de fournir des connaissances d’une évidence absolue. Les algorithmes d’intelligence artificielle sont utilisés pour automatiser divers processus de prises de décision, tels que la détection des piscines non déclarées ou la vérification de la résidence des retraités à l’étranger. Cependant, l’article souligne que, malgré leur apparence d’évidence, les données numériques ne peuvent pas toujours échapper à l’appréciation et au contrôle humain. Les décisions publiques impliquent souvent des valeurs et des objectifs complexes qui sont nécessairement inscrits dans le traitement algorithmique des données. De plus, les algorithmes génèrent des connaissances probabilistes et incertaines, ainsi que les résultats de leur traitement peuvent être affectés par des erreurs et des biais, remettant en question leur évidence.