Hétérogénéité et regroupement dans l’autisme

Titre original en anglais : Heterogeneity and clustering in autism

Cette publication est incluse dans le projet « Contributions académiques de personnes autistes sur l’autisme ». un auteur·ice de cette publication est identifié·e comme autiste dans le projet.

À propos de la mention auteur·ice autiste

Dwyer, P. (2022). Heterogeneity and clustering in autism. In The Routledge International Handbook of Critical Autism Studies (pp. 42-55). Routledge. https://doi.org/10.4324/9781003056577-6

Date de publication: 21/10/2022 Ajout dans AutiHub: 14/09/2026 Type: Chapitre de livre Langue de l’article: Anglais

Cette publication est intégrée dans AutiHub via :

Auteurs

Auteur·ices des publications
1
Auteur·ices de la publication identifié·es comme autistes
1 / 1 (100,0 %)

Résumé

Les analyses de regroupement, une forme d’apprentissage automatique non supervisé, sont largement utilisées dans les études de recherche visant à explorer l’hétérogénéité de la constellation multidimensionnelle de l’autisme et à décrire des sous-groupes significatifs d’individus autistes relativement similaires. Toutefois, le regroupement est loin d’être objectif ; la sélection des mesures dépendantes, le choix du nombre de groupes à décrire et l’interprétation des groupes nécessitent tous des décisions subjectives. En outre, le regroupement au sein des seules limites de l’autisme risque d’ignorer des enseignements pertinents issus de recherches menées en dehors de ces limites. Plus largement encore, les objectifs de la constitution de sous-groupes doivent être examinés de manière critique ; bien que certaines solutions de constitution de sous-groupes puissent aider les individus à accéder à des soutiens, à développer des identités positives et à trouver des communautés de pairs solidaires, d’autres solutions pourraient, à l’inverse, restreindre l’accès aux soutiens, imposer des identités non désirées ou pathologisantes, et fragmenter les communautés. Ce chapitre suggère que le regroupement, et la classification diagnostique en général, peuvent être plus utiles lorsque les étiquettes ne sont pas organisées en une hiérarchie d’entités globales et de leurs « sous-types », mais plutôt lorsque les étiquettes diagnostiques sont autorisées à coexister les unes avec les autres. Mots-clés : autisme, hétérogénéité, regroupement, sous-groupes, constellation de l’autisme

Clustering analyses, a form of unsupervised machine learning, are widely used in research studies aiming to explore the heterogeneity of the multidimensional autism constellation and describe meaningful subgroups of relatively similar autistic individuals. However, clustering is far from objective; selection of dependent measures, the choice of the number of clusters to be described, and interpretation of clusters all require subjective decisions. Furthermore, clustering within the boundaries of autism alone risks ignoring relevant insights from research outside these boundaries. Even more broadly, the purposes of subgrouping must be considered critically; although some subgrouping solutions might help individuals access supports, develop positive identities, and find supportive peer communities, other solutions could conversely restrict access to supports, impose unwanted or pathologising identities, and fracture communities. This chapter suggests that clustering, and diagnostic classification in general, may be most useful when labels are not arranged into a hierarchy of overarching entities and their “subtypes”, but instead when diagnostic labels are allowed to co-occur with one another. Keywords: autism, heterogeneity, clustering, subgroups, autism constellation

Bibliographie citée par cette référence

Les références citées sont importées depuis des sources externes de métadonnées lorsqu’elles sont disponibles. La liste peut être partielle.

Aucune bibliographie citée n’est actuellement intégrée pour cette référence. Cela ne signifie pas nécessairement qu’aucune bibliographie n’existe.