Les systèmes d’intelligence artificielle connaissent une évolution très rapide, marquée par l’émergence de modèles de plus en plus complexes : LLM, modèles multimodaux et, plus récemment, de systèmes d’IA agentiques capables d’interactions complexes. Ces avancées s’accompagnent d’une augmentation significative de la complexité des architectures et des processus d’entraînement, rendant les modèles plus difficiles à interpréter, à analyser et à auditer de manière systématique.
Cette perte relative de transparence soulève des défis méthodologiques importants pour l’étude des propriétés des modèles, en particulier lorsqu’il s’agit d’identifier et de caractériser des biais. Dans un contexte où, en 2025, les inégalités entre femmes et hommes persistent dans l’ensemble de la société, et en particulier dans les formations et les métiers du numérique, ces questions prennent une importance particulière. Parmi les biais étudiés, les biais de genre occupent ainsi une place centrale : ils sont à la fois profondément ancrés dans les données d’apprentissage, qui reflètent ces déséquilibres structurels, et susceptibles d’être amplifiés ou transformés par les mécanismes internes des modèles.
Dans les architectures contemporaines, les biais de genre peuvent se manifester à différents niveaux, des représentations latentes aux sorties générées, en passant par les stratégies d’interaction dans les systèmes agentiques. L’opacité des modèles rend alors difficile la compréhension des processus par lesquels ces biais émergent, se propagent et influencent les prédictions.
Ces enjeux sont d’autant plus critiques que ces systèmes d’IA peuvent se retrouver intégrés dans des contextes sensibles (orientation académique, recrutement, santé, …), où les biais de genre peuvent avoir des effets cumulatifs et structurants. Dans ce cadre, l’absence de transparence ne constitue pas seulement un obstacle scientifique, mais également un défi pour l’évaluation, la régulation et la conception de systèmes équitables.
Cet atelier vise à rassembler chercheuses, chercheurs, expert·es et professionnel·les autour des biais de genre dans les systèmes d’IA. Il propose un espace interdisciplinaire de discussion et de partage, permettant de confronter approches, méthodes, résultats et retours d’expérience, et de faire émerger des perspectives communes sur les enjeux, les verrous scientifiques et les pistes méthodologiques liés aux biais de genre dans les systèmes d’IA de nouvelle génération.
Thématiques
- Nous invitons des soumissions portant notamment sur les thèmes suivants (liste non exhaustive) :
- Biais de genre dans les données
- Biais de genre dans les jeux de données d’entraînement
- Sous-représentation des femmes et déséquilibres de distribution
- Collecte, curation et annotation des données sous un prisme de genre
- Biais de genre dans les modèles et systèmes d’IA
- Apprentissage et amplification des biais de genre dans les modèles
- Stéréotypes de genre reproduits par les modèles génératifs
- Systèmes de recommandation et dynamiques de renforcement des biais
- Discrimination algorithmique genrée (recrutement, crédit, santé, etc.)
- Analyse des biais dans les pipelines d’IA
- Propagation des biais le long des chaînes de traitement
- Interactions entre biais de données, de modèle et d’usage
- Études empiriques sur des systèmes complexes (LLM, systèmes agentiques, etc.)
- Méthodes d’évaluation, d’audit et de mitigation
- Métriques et cadres d’évaluation de l’équité de genre
- Méthodes d’audit et d’interprétabilité pour modèles complexes
- Techniques de détection et de correction des biais
- Benchmarks, protocoles expérimentaux et études de cas
- Perspectives interdisciplinaires et sociotechniques
- Approches issues des sciences sociales et études de genre
- Intersectionnalité dans l’analyse des biais
- Conception de systèmes d’IA inclusifs et responsables
- Impacts, usages et régulation
- Impact des biais de genre dans les applications de l’IA
- IA et politiques publiques sous un prisme de genre
- Régulation, gouvernance et cadres normatifs
- Biais de genre dans les outils éducatifs et de formation basés sur l’IA
- Biais de genre dans les données
Soumissions
Les soumissions peuvent être rédigées en français ou en anglais et doivent être formatées conformément aux feuilles de style des conférences hébergées par PFIA. Les modèles LaTeX et Word pour PFIA 2026 sont disponibles sur le site de l’AFIA. Nous acceptons un format unique de contributions sous forme de résumés étendus de 3 à 5 pages (sur 2 colonnes), références comprises. Les soumissions ne respectant pas les contraintes de format (marges, taille de police, etc.) ou la limite de pages pourront être rejetées sans évaluation.
Les contributions peuvent porter sur des travaux en cours, des travaux originaux ou des travaux déjà publiés. Dans ce dernier cas, une version synthétique adaptée au format du workshop est attendue et le lieu de publication (conférence, journal) doit clairement être mentionné.
Chaque soumission fera l’objet d’une évaluation en simple aveugle par plusieurs membres du comité de programme.
Les articles acceptés donneront lieu à une présentation orale. Au moins un·e auteur·rice s’engage à présenter le travail lors de l’atelier. Les actes de la journée seront regroupés dans un document PDF publié en ligne.
Les auteurs sont invités à déposer leurs contributions au format PDF via EasyChair à l’adresse suivante : https://easychair.org/conferences/?conf=regard26
Dates importantes
-
- Date limite de soumission des résumés : 23 avril 2026
- Date de notification : 13 mai 2026
- Date soumission version finale : 20 mai 2026
- Date limite d’inscription à tarif réduit (https://pfia26.cril.fr/#tarifs) : 22 mai 2026
- Date de la journée : 2 juillet 2026 (après-midi)
Responsables de l’atelier
-
- Tassadit Bouadi (Université de Rennes, IRISA)
- Peggy Cellier (INSA Rennes, IRISA)
Comité de programme
En construction