No abstract

Modeling the dynamics of epidemics helps to propose control strategies based on pharmaceuticaland non-pharmaceutical interventions (contact limitation, lockdown, vaccination,etc). Hand-designing such strategies is not trivial because of the number of possibleinterventions and the difficulty to predict long-term effects. This task can be cast as an optimization problem where state-of-the-art machine learning methods such as deep reinforcement learning might bring significant value. However, the specificity of each domain|epidemic modeling or solving optimization problems|requires strong collaborationsbetween researchers from different fields of expertise. This is why we introduce EpidemiOptim, a Python toolbox that facilitates collaborations between researchers inepidemiology and optimization. EpidemiOptim turns epidemiological models and cost functions into optimization problems via a standard interface commonly used by optimization practitioners (OpenAI Gym). Reinforcement learning algorithms based on QLearning with deep neural networks (DQN) and evolutionary algorithms (NSGA-II) are already implemented. We illustrate the use of EpidemiOptim to find optimal policies fordynamical on-o  lockdown control under the optimization of the death toll and economic recess using a Susceptible-Exposed-Infectious-Removed (SEIR) model for COVID-19. Using EpidemiOptim and its interactive visualization platform in Jupyter notebooks, epidemiologists, optimization practitioners and others (e.g. economists) can easily compare epidemiological models, costs functions and optimization algorithms to address important choicesto be made by health decision-makers. Trained models can be explored by experts and non-experts via a web interface. This article is part of the special track on AI and COVID-19.

Distribution électronique Cairn.info pour Dalloz. © Dalloz. Tous droits réservés pour tous pays.La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les limites des conditions générales d'utilisation du site ou, le cas échéant, des conditions générales de la licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie, sous quelque forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est précisé que son stockage dans une base de données est également interdit.

L'objectif de cet article est de retracer les principaux enseignements issus des expériences récentes réalisées à partir du jeu du dictateur. Le jeu du dictateur est un jeu économique stylisé dans lequel le rapport entre les acteurs de la négociation est complètement asymétrique : l'un des acteurs (l'offreur) fait une proposition de partage d'une somme forfaitaire que son partenaire (le bénéficiaire) est obligé d'accepter. Contrairement à la prédiction théorique, notre revue des données expérimentales indique tout d'abord que le dictateur transfère une partie non négligeable de la somme à répartir (de 20% à 40% selon les études) et que cette proportion est d'autant plus élevée que la distance sociale qui le sépare du récipiendaire est réduite. L'identification ou la communication, qui réduisent la distance sociale, auraient en particulier pour effet de sensibiliser l'offreur à la norme sociale d'équité. Nous montrons ainsi que le bénéficiaire peut avoir intérêt, sous certaines conditions, à révéler son identité, à communiquer ses préférences ou même à tenter d'influencer l'offreur en jouant notamment sur son aversion à la culpabilité. Nous analysons ensuite les tentatives récentes de modélisation du comportement individuel permettant de tenir compte des faits stylisés caractéristiques du jeu du dictateur.