Le projet ci-dessous a été déposé par Romain Rambaud en décembre 2021 au titre des projets IDEX / IRGA (Initiatives de recherche à Grenoble-Alpes) et accepté en mai 2022. Le projet de recherche est désormais actif depuis septembre 2022.
Contexte scientifique et/ou technologique, objectifs du projet et positionnement sur les scènes locale, nationale et internationale (1 page) :
Le développement des recherches fondamentales concernant l’intelligence artificielle et ses champs d’application, dans une perspective interdisciplinaire, constitue une priorité scientifique. Du point de vue des sciences juridiques, l’un des axes prioritaires de ces recherches concerne l’utilisation de l’IA en matière de justice. Il s’agit d’une thématique de recherche émergente du Centre de recherches juridiques (EA 1965) : le CRJ a participé avec le GIP Justice à une étude sur la « barémisation » de la justice, dirigée par Stéphane Gerry-Vernières, professeure de droit privé[1], et le CRJ est partie à une convention signée avec l’Ecole nationale de la magistrature à propos d’un projet de recherche concernant le raisonnement probatoire des juges, porté par Etienne Vergès, professeur de droit privé[2]. Le présent projet serait donc le troisième en la matière porté par le CRJ, le premier en droit public. Il s’inscrit dans les axes « Justice » et « Innovation » du CRJ et dans l’axe innovation du pôle PSS.
Le projet interdisciplinaire « Justice algorithmique des élections » (JADE), porté par le Centre de recherches juridiques (CRJ), le Laboratoire Jean Kuntzmann (LJK), le laboratoire d’informatique de Grenoble (LIG), avec le soutien de PACTE et de la chaire de société algorithmique[3] du MIAI (Multidisciplinary Institute in Artificial intelligence), a pour objet d’utiliser des méthodes de mathématiques appliquées et d’IA à un objet juridique pour lequel elles n’ont jamais été utilisées et présentent un intérêt particulier, le contentieux des élections politiques.
La justice automatisée « regroupe toutes les situations dans lesquelles une application au moins des technologies de l’information et de la communication, est intégrée à un processus de règlement des litiges, qu’il soit juridictionnel ou extra-juridictionnel » [4]. Il existe une diversité d’usages (par ex. accès à la justice, communication entre les tribunaux et les professionnels, administration des tribunaux) dont l’un nous intéressera particulièrement : l’assistance au travail du juge (moteurs de recherche de jurisprudence, aide à la rédaction d’actes, analyse par le biais de prédictions ou de barèmes, etc.)[5]. On parle également de justice prédictive, laquelle peut prendre la forme d’algorithmes, qui sont en matière de justice « des méthodes génératives (communément appelées bayésiennes) ou discriminatoires qui tentent d’estimer la fourchette actuelle ou future des valeurs d’une variable (par exemple, le résultat d’un procès) à partir de l’analyse des exemples passés »[6].
On soulignera ici que la plupart des techniques en matière de justice prédictive sont développées en France par des entreprises privées qui se partagent un marché balbutiant[7] (par ex. Predictice[8], Case Law Analytics, Doctrine.fr, Tyr Legal, Supra Legem[9], LexiNexis[10]), ce qui implique en règle générale l’absence de divulgation du codage de l’algorithme en raison du principe du secret des affaires ainsi que de l’utilisation de brevets. Sur le plan technique, il est ainsi rarement mentionné les méthodologies utilisées ce qui limite nécessairement la capacité de contrôle de la part des acteurs publics[11]. Il existe donc un enjeu à développer une recherche publique[12], comme le soulignent d’ailleurs le Conseil de l’Europe[13] et la Commission européenne[14] qui appellent de leurs vœux le développement d’instruments de justice algorithmiques éthiques en lien et sous la houlette des acteurs publics. De ce point de vue, un point fort du projet de ce point de vue est d’utiliser l’outil Treensight développé par le LIG sous la direction de Gilles Bisson (v. captures d’écran en document optionnel). En octobre 2020, le projet Treensight a été validé par le Comité d’Investissement de la SATT-Linksium Grenoble-Alpes[15] et il est maintenant financé par cet organisme pour une phase de maturation de 16 mois, avec pour objectif de créer une Startup de commercialisation du logiciel, tout en maintenant un accès à la communauté scientifique. Pour ce qui concerne la justice, celle-ci étant un service public démocratique, elle doit rester accessible, et la justice prédictive ne saurait pour cette raison rester privée.
Les recherches restent parcellaires dans la plupart des branches du droit. La plupart des études se concentrent sur l’idée même de la justice dite prédictive, soulevant des questions d’éthique comme des questions pratiques[16]. Dans certaines matières (en droit du travail[17], en responsabilité civile[18], en droit de la famille[19], en droit bancaire[20], et même pour les droits de l’homme[21]), des travaux se développent sur un plan plus technique. Il n’existe cependant en France, l’état de l’art international devant continuer à faire l’objet d’une exploration[22], aucune publication sur le contentieux électoral à notre connaissance. Le domaine d’application proposé est donc vierge de toute étude.
Or, l’hypothèse retenue est que la justice automatisée ou prédictive pourrait s’avérer particulièrement pertinente en contentieux électoral, en tant qu’elle pourrait révéler sa rationalité, diminuer son arbitraire, lequel est dénoncé parfois par les juges électoraux eux-mêmes[23], et augmenter son efficacité. Le but serait de mettre en lumière « les corrélations entre les différents paramètres d’une décision et, en s’appuyant sur l’apprentissage machine, d’en déduire un ou plusieurs modèles»[24]. Le point focal de la problématique ici est l’analyse de la sincérité du scrutin : l’office principal du juge électoral n’est pas de sanctionner des irrégularités en tant que telles mais de vérifier si la « sincérité du scrutin » a été ou non altérée, ce qui le conduit à n’annuler une élection que s’il considère qu’elles ont eu un effet réel sur le résultat du scrutin[25]. En pratique, l’un des principaux critères utilisés dans un cas d’espèce est l’« écart de voix » entre les candidats ou les listes : s’il est faible, le juge pourra considérer que l’irrégularité a eu un effet sur le scrutin, mais il jugera le contraire s’il est trop élevé. Dans le premier cas, l’élection sera annulée, mais dans le second cas, elle sera maintenue malgré les irrégularités[26]. Si le contentieux des élections politiques ne veut pas reposer sur la seule intuition, au risque sinon de tomber dans l’arbitraire, il faudrait qu’il existe une détermination « scientifique » de l’écart de voix « utile », en fonction des irrégularités constatées[27].
Pourtant, étonnamment, les travaux qui ont cherché à systématiser la question sont fort peu nombreux et ceux-ci aboutissent à des résultats contradictoires. Les premières études de la période récente ont été réalisées par Guy Prunier sur les élections législatives de 1993, 1997 et 2002 : celui-ci avait fixé le seuil à partir duquel les résultats des élections, qualifiés de « tangents », étaient susceptibles d’être remis en cause par le Conseil constitutionnel, à 400 voix, soit un peu moins de 1% des suffrages exprimés[28]. Bernard Maligner ensuite, dans deux études en date de 2013, constatait que les écarts de voix sont en général très faibles, mais arrivait au constat négatif qu’il n’existait pas de cohérence globale dans la jurisprudence du Conseil constitutionnel et du Conseil d’Etat[29]. En 2018, Romain Rambaud (porteur du projet) et Ricardo Salas Rivera établissaient un seuil utile de l’écart de voix pour les élections législatives de 2017 à 1,7 % des suffrages exprimés[30]. En 2020, dans un article consacré aux élections municipales de 2014, Romain Rambaud trouvait une cohérence au raisonnement du juge en termes d’écart de voix et proposait de dégager des « lois » de l’écart de voix[31]. L’objet du projet JADE est de poursuivre ces recherches non seulement en utilisant des méthodes empiriques, mais surtout des méthodes plus sophistiquées.
Un enjeu enfin est la question de la capacité et de la volonté des acteurs publics à s’en saisir. En l’espèce, il s’agirait des tribunaux administratifs, du Conseil d’État et du Conseil constitutionnel, auxquels les résultats seront présentés dans le cadre d’un colloque de fin de projet, organisé sur place à Paris. La recherche pourrait ensuite adopter une dimension plus internationale en s’intéressant au contentieux électoral d’autres pays.
Programme scientifique / Méthodologie / Résultats escomptés (3 pages)
Les algorithmes de justice prédictive se décomposent en deux étapes, qui seront aussi suivies par le projet : la mise en place des données et leur analyse par des logiciels afin d’obtenir la solution la plus probable[32]. Une telle méthode devra respecter les principes fixés par la Charte éthique d’utilisation de l’intelligence artificielle dans les systèmes judiciaires et leur environnement réalisée par le Conseil de l’Europe : principe de qualité et de sécurité qui exige que le traitement des décisions et des données judiciaires soit conçu sur le base de sources certifiées et de données intangibles ; principe de transparence, de neutralité et d’intégrité intellectuelle qui demande d’autoriser les regards extérieurs et de rendre accessibles les méthodes utilisées pour traiter les données ; et enfin principe de maîtrise par l’utilisateur de l’outil. Ce dernier ne doit pas décider pour le juge, mais simplement indiquer et conseiller afin que la décision puisse être la plus éclairée possible en offrant un plus grand panel d’informations, le pouvoir souverain d’appréciation du juge étant conservé[33]. Ce travail requiert une collaboration très étroite entre les juristes experts du contentieux électoral (CRJ), les statisticiens (LJK), les informaticiens (LIG/MIAI), et ceux qui portent sur la justice prédictive une vue d’ensemble (PACTE/MIAI[34]).
En premier lieu, il sera donc nécessaire de constituer une base de données suffisante sur le contentieux électoral. Ce travail constituera le premier temps de l’étude et occupera la première année du projet.
Pour le moment, les travaux du porteur du projet ont constitué un corpus du contentieux des élections municipales de 2014 faisant explicitement référence à l’écart de voix, soit une centaine d’arrêts du Conseil d’État[35]. Il faudra le compléter, par les décisions du Conseil constitutionnel (pour les élections législatives et sénatoriales), du Conseil d’État sur plusieurs années (juge des élections régionales et européennes et juge d’appel des élections municipales et départementales), sachant que les décisions des tribunaux administratifs ne sont pas encore en open data, mais qu’elles le seront à partir du 30 juin 2022. Il faudra les cartographier en fonction des solutions et les comparer aux résultats des élections disponibles sur le site du ministère de l’intérieur[36]. Cette base de données devra être affinée pour intégrer différentes variables qu’il s’agira de déterminer et de classer pour donner lieu à une analyse par un modèle mathématique et informatique. Pour un spécialiste du contentieux électoral, la détermination et l’extraction de ces variables ne posent pas une grande difficulté sur la base d’une lecture manuelle des différentes décisions de justice. Celles-ci sont d’abord quantitatives, ces dernières étant déterminantes en droit électoral pour l’analyse de la sincérité du scrutin, ce qui peut laisser penser que ce type de contentieux est parfaitement adapté à un traitement mathématique : résultats des élections et écarts de voix en nombre de voix et en pourcentage de suffrages exprimés. Elles sont également qualitatives, mais sont catégorisables facilement : types d’irrégularités, moment où elles se produisent, paramètres du mode de scrutin de l’élection, nombre de candidats ou de listes en présence, année de l’élection, etc. Ces variables précises devraient permettre de dégager grâce aux techniques exposées ci-dessous un raisonnement objectif et cohérent du juge électoral[37]. D’autres, moins objectives et plus sensibles, seront testées : la question de savoir si tel ou tel candidat est sortant et combien de mandat il a exercé, la nuance politique des différents candidats, le caractère sensible sur le plan politique et médiatique de l’élection, etc.
En deuxième lieu, la méthode mobilisera des techniques mathématiques et informatiques visant à déterminer dans quelle mesure le raisonnement du juge électoral pourrait être exprimé sous forme de raisonnements automatisables. Ce travail constituera les deux dernières années du projet.
Tout d’abord, seront utilisées les méthodes de régression logistique et la sélection de variables (LJK). La régression logistique est un modèle statistique permettant d’expliquer une réponse binaire (ici annulation ou non-annulation) à partir d’un certain nombre de variables dites explicatives (v. les variables pressenties ci-dessus), en mesurant l’influence de chacune des variables via un coefficient. Son intérêt réside dans l’interprétabilité des résultats, car elle permet, grâce aux coefficients estimés, de mesurer si l’effet d’une variable est positif ou négatif et avec quelle intensité. Ce modèle est pertinent dans les cas où le nombre de variables explicatives est raisonnable par rapport au nombre d’individus (ici, les décisions de justice). Dans le cas contraire, des méthodes de sélection de variables peuvent conjointement être utilisées pour sélectionner les variables qui expliquent le mieux la distribution de la réponse. Parmi ces méthodes, on peut citer les méthodes pas à pas et les méthodes par pénalisation (par exemple, lasso[38]). Nous proposons de mener une étude de simulations pour comparer un certain nombre de méthodes de sélection de variables afin de voir laquelle s’applique le mieux aux données de contentieux électoral. Parallèlement, la constitution d’un corpus peut être facilitée par la mise en œuvre d’analyses exploratoires globales reposant sur des méthodes de classifications hiérarchiques (CAH). Elles permettent de mettre en lumière des catégories de situations similaires ou inversement des anomalies (outliers) pouvant refléter soit une situation réelle, soit des artefacts induits par une modélisation des données incomplète. Pour effectuer ce travail, nous nous appuierons sur le logiciel Treensight, développé au sein du MIAI. Il s’agit d’un logiciel d’analyse capable de traiter des données hétérogènes (numériques, symboliques, circulaires, séquences…) et qui intègre un ensemble d’outils graphiques interactifs permettant de filtrer, explorer et comparer les données.
Ensuite, la technique des arbres de décision[39], et des variantes de ces arbres (LIG/MIAI)[40], sera explorée, également par l’utilisation du logiciel Treensight. En effet, Treensight permet la construction et l’exploration visuelle d’arbres de décision. Ces arbres seront construits à partir des variables qualitatives et quantitatives puis convertis en règles que les juristes pourront valider ou invalider, voire modifier et tester. Si les arbres de décision présentent l’avantage de produire une connaissance directement intelligible, leurs performances prédictives ne sont pas toujours optimales (compromis explicabilité/efficacité). Des extensions de ces arbres sous la forme de forêts, comme les forêts aléatoires ou les Gradient Boosted Trees, qui comptent à l’heure actuelle parmi les meilleures méthodes, seront envisagées. Elles seront utilisées afin de mesurer l’écart entre les prédictions obtenues par les arbres de décision et par ces méthodes, ce qui permettra d’avoir une meilleure appréciation de la qualité de la prédiction faite par les arbres de décision. En cas de succès pour le contentieux électoral, le logiciel Treensight pourrait alors devenir un outil utilisable en matière de justice prédictive.
Les résultats ainsi dégagés pourront dans un premier temps être comparés aux résultats déjà obtenus par le porteur de projet Romain Rambaud sur la base de méthodologies empiriques. Celui-ci, dans son article de 2020 consacré aux élections municipales de 2014, avait dégagé sur la base d’une analyse des solutions du juge huit « lois », trois « lois » méthodologiques et cinq « lois » de fond concernant l’appréciation du critère de l’écart de voix. Les trois lois méthodologiques sont les suivantes. 1ère loi méthodologique : l’appréciation de la sincérité du scrutin dépend toujours de la structure de l’élection du point de vue de ses résultats, de sorte que l’écart de voix s’apprécie par rapport aux paramètres structurels et décisifs du mode de scrutin ; 2ème loi méthodologique : en fonction des griefs invoqués, le juge peut procéder à une appréciation in concreto de la sincérité du scrutin en considérant le nombre exact de voix d’écart ; 3ème loi méthodologique : en fonction des griefs invoqués, le juge peut procéder une appréciation in abstracto de la sincérité du scrutin considérant l’écart de voix en termes de pourcentages des suffrages exprimés. Les cinq lois substantielles sont les suivantes. 1ère loi substantielle : l’appréciation in concreto de l’écart de voix est facilitée dans les communes de moins de 1000 habitants en raison du mode de scrutin ; 2ème loi substantielle : un écart de voix est en général suffisamment faible in abstracto s’il est compris entre 0 et 1,7 % des suffrages exprimés ; 3ème loi substantielle : un écart de voix est fort in abstracto s’il est compris entre 1,7 % et 4,4 % des suffrages exprimés, mais potentiellement suffisamment faible in concreto dès lors qu’il correspond à un nombre de voix numériquement faible et est associé à des irrégularités graves dont l’ampleur est suffisante au regard de l’écart exact de voix ; 4ème loi substantielle : l’écart de voix est normalement trop fort in abstracto s’il est supérieur à 4,4 % des suffrages exprimés environ, sauf irrégularités touchant la structure de l’élection ; 5ème loi substantielle : il existe toujours des solutions pouvant échapper aux lois en fonction des circonstances de l’espèce (confirmant que la rationalisation du contentieux électoral n’est pas parfaite)[41]. L’utilisation des outils de justice prédictive pourrait être confrontée à ces résultats pour déterminer si ces « lois » sont infirmées ou confirmées. L’analyse sera ensuite affinée en considération, ce que l’article cité n’avait pas fait, des irrégularités en question, introduisant ainsi de nouvelles variables déterminantes dans le raisonnement du juge électoral.
Ces résultats seront ensuite confrontés aux autres années pour les élections municipales et départementales, jugées par les tribunaux administratifs, dont les décisions seront en open data à partir de juin 2022, et par le Conseil d’État en appel, aux élections régionales et européennes, relevant de la compétence directe du Conseil d’Etat, ainsi qu’aux élections législatives et sénatoriales, jugées par le Conseil constitutionnel directement. Il sera possible de comparer les résultats entre les juges, les élections et les différentes années.
Enfin, à la fin du projet, une projection vers des méthodes de textmining, c’est-à-dire d’auto-apprentissage sur la base des décisions de justice, pourrait être in fine amorcée. Cette méthode ne sera probablement pas mise en route pendant les 3 ans du projet JADE, afin de constituer d’abord un premier état satisfaisant des lieux, mais elle pourrait tout à fait constituer un prolongement pour d’autres projets les années suivantes, afin de développer les recherches en matière de justice prédictive. Treensight pourrait notamment être développé pour construire des nuages de mots permettant d’avancer dans la direction du textmining, en rapport avec les autres variables.
Organisation du projet : échéancier, personnel impliqué et pourcentage du temps prévu, partenariats, utilisation des crédits (1 page)
1ère année du projet : constitution de la base de données du contentieux électoral et construction des variables
2ème et 3ème année du projet : mise en place de la régression logistique et des arbres de décision (justice prédictive)
3ème année du projet : résultats des outils de justice prédictive et exploration éventuelle du textmining (IA)
Le projet étant émergent, cet échéancier devra être adapté aux difficultés de la réalisation des tâches. Elles pourront être réalisées en partie simultanément en fonction de l’opportunité de la recherche.
Les laboratoires impliqués dans le projet sont les suivants : CRJ (droit), LIG (informatique), LJK (mathématiques), PACTE (société algorithmique). Ces questions s’inscrivent dans le cadre de certaines recherches du MIAI.
[1] S. Gerry-Vernières (dir.), La barémisation de la Justice, nov. 2019, 322 p.
[2] https://www.enm.justice.fr/la-recherche
[3] https://algorithmicsociety.github.io/. V., notamment ici l’ANR portée par Laurence Dumoulin, membre du projet, obtenue le 25 oct. 2020 et C. Licoppe, L. Dumoulin, « Le travail des juges et les algorithmes de traitement de la jurisprudence. Premières analyses d’une expérimentation de « justice prédictive » en France », Droit et société, 2019/3, n°103, p. 535.
[4] Commission européenne pour l’efficacité de la justice (CEPEJ), Lignes directrices sur la conduite du changement vers la cybersécurité, 7 dec. 2016.
[5] V., sur ce sujet par ex. L. Godefroy, F. Lebaron, J. Lévy-Vehel, T. Balteau, « Comment le numérique transforme le droit et la justice vers de nouveaux usages et un bouleversement de la prise de décision anticiper les évolutions pour les accompagner et les maîtriser », Rapport final de recherche GIP Justice, 2019.
[6] Commission européenne pour l’efficacité de la justice (CEPEJ), Charte éthique européenne d’utilisation de l’intelligence artificielle dans les systèmes judiciaires et leur environnement, 3-4 dec. 2018.
[7] A. Garapon, J. Lassègue, Justice digitale, Puf, 2018, p. 363.
[8] Predictice, Le guide de la justice prédictive, disponible sur : https://blog.predictice.com/justice-predictive-pdf (consulté le 28/11/2021). Predictice a participé à une expérimentation menée en 2017 auprès de magistrats des Cours d’appel de Rennes et Douai en matière de préjudice corporel et de prestations compensatoires, dont les résultats à l’époque n’ont guère été concluants.
[9] V. de Senneville, « Quand les algorithmes entrent dans les prétoires », Les Échos, 2017
[10] Lexis Nexis a participé à une expérimentation en 2020/2021 auprès du Tribunal judiciaire de Strasbourg en matière familiale.
[11] J. Hubin, H. Jacquemin, B. Michaux (cor.), Le juge et l’algorithme : juges augmentés ou justice diminuée, Larcier, 2019 ; Entretien avec Angèle Christin, » Angèle Christin : » Les méthodes ethnographiques nuancent l’idée d’une justice prédictive et entièrement automatisée » », rédigé par A. Courmont, Laboratoire d’Innovation Numérique de la CNIL, 2020. Disponible sur : https://linc.cnil.fr/fr/angele-christin-les-methodes-ethnographiques-nuancent-lidee-dune-justice-predictive-et-entierement (consulté le 28/11/2020).
[12] J. Hubin, H. Jacquemin, B. Michaux (cor.), Le juge et l’algorithme : juges augmentés ou justice diminuée, op. cit., p. 301.
[13] Commission européenne pour l’efficacité de la justice (CEPEJ), Charte éthique européenne d’utilisation de l’intelligence artificielle dans les systèmes judiciaires et leur environnement, adoptée le 3-4 décembre 2018.
[14] Commission européenne, Communication de la commission au Parlement européen, au Conseil, au Comité économique et social européen et au Comité des régions, 2/12/2020.
[15] https://www.linksium.fr.
[16] B. Dondero, « Justice prédictive : la fin de l’aléa judiciaire ? », RTD, 2017, p.532. V., pour des travaux d’ensemble récents M. Moritz, T. Léonard, « Outils de « justice prédictive », Enjeux et cartographie sociologique des professionnels concernés », Rapport final de recherche GIP Justice, oct. 2020. V., pour un article de synthèse récent, F. Rouvière, La justice prédictive : peut-on réduire le droit en algorithmes ?, Pouvoirs, 2021/3, p. 97.
[17] P. Adam, M. Le Friant, Y. Tarasewicz, Intelligence artificielle et droit du travail, Dalloz, 2020.
[18] Réponse du Ministère de la justice à la question écrite n°16942 de M. Jean-Marie Mizzon publiée dans le JO Sénat du 01/10/2020, p. 4462.
[19] B. Jeandidier, J. Ray, J. Mansuy, Analyses quantitatives de décisions de justice en matière de Prestation Compensatoire (PC) dans une perspective de justice prédictive, HAL, 2020.
[20] A. Bahuon, J. Pluchart, Le financier, le juriste et le geek : les défis des métiers du conseil, du chiffre et du droit, Maxima, 2018.
[21] N. Aletras, D. Tsarapatsanis, D. Preoţiuc-Pietro, V. Lampos, Predicting judicial decisions of the European Court of Human Rights : a Natural Language Processing perspective, PeerJ Computer Science 2:e93.
[22] V., pour un ouvrage faisant état des outils de justice prédictive en développement de manière générale, K. ASHLEY, Artificial Intelligence and Legal Analytics: New Tools for Law Practice in the Digital Age, Cambdrige University Press, 2017.
[23] V., ici la célèbre citation de Jacques Robert, professeur de droit et ancien membre du Conseil constitutionnel : « Qu’est-ce d’ailleurs qu’un faible écart de voix ? Faible par rapport à quoi ? À l’importance du corps électoral ? À la nature de la fraude ? À la fragilité supposée de l’électeur ? Au nombre des « faux » électeurs ? Ainsi se nouent les destins des élus. Certains perdurent. D’autres sont frappés. Où sont les bons ? Où sont les mauvais ? À Dieu de reconnaître les siens » (J. Robert, La garde de la République, Plon, 2000, p. 154 et s.). Pour des questions de ce type en droit de manière plus générale, v., M. Benesty, « L’impartialité de certains juges mise à mal par l’intelligence artificielle », village Justice, 2016, disponible sur : https://www.village-justice.com/articles/impartialite-certains-juges-mise,21760.html (consulté le 28/11/2021).
[24] CEPEJ, Lignes directrices sur la conduite du changement vers la cybersécurité, prec.
[25] R. Ghevontian, « La notion de sincérité du scrutin », Cahiers du Conseil constitutionnel, n° 13, janv. 2003.
[26] B. Maligner, Droit électoral, Ellipses, 2007 p. 891.
[27] B. Maligner, « Le Conseil constitutionnel, juge des opérations et des finances électorales », in Le Conseil constitutionnel, juge électoral, Les Nouveaux Cahiers du Conseil constitutionnel, n° 41, oct. 2013
[28] G. Prunier, LPA 10 déc. 2003, n° PA200324603, p. 8.
[29] B. Maligner, « Qu’est-ce qu’un faible écart de voix dans la jurisprudence récente du Conseil d’État et du Conseil constitutionnel ? », in C. Boutayeb (dir.), La Constitution, l’Europe et le droit, Mélanges en l’honneur de Jean-Claude Masclet, Publ. de la Sorbonne, 2013, p. 298 ; « Le Conseil constitutionnel, juge des opérations et des finances électorales », prec.
[30] R. Rambaud, R. Salas Rivera, « Le contentieux direct des élections législatives de 2017 », AJDA, 2018, p. 1314.
[31] R. Rambaud, « Les « lois » de l’écart de voix », AJDA, 2020, p. 1596.
[32] R. Rouvière, « La justice prédictive, version moderne de la boule de cristal », RTD Civ, 2017, p.527
[33] CEPEJ, Lignes directrices sur la conduite du changement vers la cybersécurité, prec.
[34] V., ici l’ANR portée par Laurence Dumoulin, membre du projet JADE, obtenue le 25 oct. 2020.
[35] R. Rambaud, « Les « lois » de l’écart de voix », prec.
[36] https://www.data.gouv.fr/fr/datasets/
[37] R. Rambaud, « Les « lois » de l’écart de voix », prec.
[38] Robert Tibshirani, « Regression shrinkage and selection via the lasso », Journal of the Royal Statistical Society. Series B, vol. 58, no 1, 1996, p. 267-288.
[39] L. Breiman, J. H. Friedman, R. A. Olshen and C. J. Stone, 1984, Classification and regression trees: Wadsworth, Inc.
[40] S. Alkhoury, E. Devijver, M. Clausel, M. Tami, É. Gaussier, G. Oppenheim: Smooth And Consistent Probabilistic Regression Trees. NeurIPS 2020
[41] R. Rambaud, « Les « lois » de l’écart de voix », prec.