Analyse des dynamiques électorales par apprentissage automatique : un outil pour la prévention des conflits au Mali

Youssouf BOIRE

Résumé

Les conflits en Afrique subsaharienne sont souvent alimentés par des crises électorales et une volatilité politique. Au Mali, les cycles électoraux successifs ont été marqués par des tensions, des contestations et des ruptures institutionnelles. L’identification précoce des facteurs de risque pourrait contribuer à la prévention des conflits. Cette recherche propose un modèle d’apprentissage automatique (Random Forest) pour analyser les dynamiques électorales maliennes à partir de données socio‑économiques, historiques et communicationnelles (2002‑2018). L’originalité de l’approche réside dans l’intégration de l’IA explicable (SHAP) pour interpréter les prédictions et identifier les déterminants du vote. Les résultats montrent une performance exceptionnelle (MAE = 0,0034, R² = 0,99) et révèlent que les sondages (91,5 %), la population (3,4 %) et le taux de participation antérieure (2,1 %) sont les principaux facteurs prédictifs, tandis que le chômage agit comme un facteur négatif. L’approche SHAP met en évidence des interactions régionales qui modulent l’effet des sondages, soulignant l’importance des contextes locaux. Ce modèle peut servir de baromètre d’alerte précoce pour les institutions de gouvernance (AIGE) et les acteurs de la société civile, en détectant les signaux de tension électorale. Il ouvre des perspectives pour une gouvernance informée par les données et une prévention des conflits fondée sur des indicateurs objectifs, en phase avec les approches interdisciplinaires et innovantes prônées par ce colloque.

Mots-clés

Apprentissage automatique, prédiction électorale, IA explicable, prévention des conflits, Mali, interdisciplinarité.

Informations

• Axe thématique : Axe 3 : Approches critiques et interdisciplinaires
• Type de présentation : Orale
• Modalité : Présentiel

 Aperçu  Programme