THESE présentée par. Michel Plantié

Transcription

1 N d ordre : 411 I THESE présentée par Mchel Planté Pour obtenr le grade de Docteur de l Ecole Natonale Supéreure des Mnes de Sant-Etenne et de l Unversté Jean Monnet de Sant-Etenne Spécalté : Informatque Extracton automatque de connassances pour la décson multcrtère Soutenue à Nîmes.. le 29 septembre 2006 Membres du ury Présdent : M. Al KHENCHAF Professeur / ENSIETA Brest Rapporteurs : Mme Camlle ROSENTHAL-SABROUX Professeur /Unversté Pars-Dauphne M. Joël QUINQUETON Professeur / Unversté Paul Valery, Montpeller III Examnateurs : Mme Danèle HERIN Professeur / Unversté Montpeller II M. Ele SANCHEZ MCU-PH HDR / Unversté de la Médterranée, Marselle Drecteur de thèse : M. Jacky Montman Professeur / Ecole des Mnes d Ales Invté : M. Davd PEARSON Professeur / Unversté Jean Monet, Sant Etenne

2 Spécaltés doctorales : Responsables : SCIENCES ET GENIE DES MATERIAUX J. DRIVER Drecteur de recherche Centre SMS MECANIQUE ET INGENIERIE A. VAUTRIN Professeur Centre SMS GENIE DES PROCEDES G. THOMAS Professeur Centre SPIN SCIENCES DE LA TERRE B. GUY Matre de recherche SCIENCES ET GENIE DE L ENVIRONNEMENT J. BOURGOIS Professeur Centre SITE MATHEMATIQUES APPLIQUEES INFORMATIQUE IMAGE, VISION, SIGNAL GENIE INDUSTRIEL MICROELECTRONIQUE E. TOUBOUL Ingéneur O. BOISSIER Professeur Centre G2I JC. PINOLI Professeur Centre CIS P. BURLAT Professeur Centre G2I Ph. COLLOT Professeur Centre CMP Ensegnants-chercheurs et chercheurs autorsés à drger des thèses de doctorat (ttulares d un doctorat d Etat ou d une HDR) BENABEN Patrck PR 2 Scences & Géne des Matéraux SMS BERNACHE-ASSOLANT Dder PR 1 Géne des Procédés CIS BIGOT Jean-Perre MR Géne des Procédés SPIN BILAL Essaïd MR Scences de la Terre SPIN BOISSIER Olver PR 2 Informatque G2I BOUDAREL Mare-Rene MA Scences de l nform. & com. DF BOURGOIS Jacques PR 1 Scences & Géne de l Envronnement SITE BRODHAG Chrstan MR Scences & Géne de l Envronnement SITE BURLAT Patrck PR 2 Géne ndustrel G2I COLLOT Phlppe PR 1 Mcroélectronque CMP COURNIL Mchel PR 1 Géne des Procédés SPIN DAUZERE-PERES Stéphane PR 1 Géne ndustrel CMP DARRIEULAT Mchel ICM Scences & Géne des Matéraux SMS DECHOMETS Roland PR 2 Scences & Géne de l Envronnement SITE DELAFOSSE Davd PR 2 Scences & Géne des Matéraux SMS DOLGUI Alexandre PR 1 Informatque G2I DRAPIER Sylvan PR 2 Mécanque & Ingénere CIS DRIVER Julan DR Scences & Géne des Matéraux SMS FOREST Bernard PR 1 Scences & Géne des Matéraux SMS FORMISYN Pascal PR 1 Scences & Géne de l Envronnement SITE FORTUNIER Roland PR 1 Scences & Géne des Matéraux CMP FRACZKIEWICZ Anna MR Scences & Géne des Matéraux SMS GARCIA Danel CR Géne des Procédés SPIN GIRARDOT Jean-Jacques MR Informatque G2I GOEURIOT Domnque MR Scences & Géne des Matéraux SMS GOEURIOT Patrce MR Scences & Géne des Matéraux SMS GRAILLOT Dder DR Scences & Géne de l Envronnement SITE GROSSEAU Phlppe MR Géne des Procédés SPIN GRUY Frédérc MR Géne des Procédés SPIN GUILHOT Bernard DR Géne des Procédés CIS GUY Bernard MR Scences de la Terre SPIN GUYONNET René DR Géne des Procédés SPIN HERRI Jean-Mchel PR 2 Géne des Procédés SPIN JOYE Marc Ing. (Gemplus) Mcroélectronque CMP KLÖCKER Helmut CR Scences & Géne des Matéraux SMS LAFOREST Valére CR Scences & Géne de l Envronnement SITE LE COZE Jean PR 1 Scences & Géne des Matéraux SMS LI Jean-Mchel EC (CCI MP) Mcroélectronque CMP LONDICHE Henry MR Scences & Géne de l Envronnement SITE MOLIMARD Jérôme MA Scences & Géne des Matéraux SMS MONTHEILLET Frank DR 1 CNRS Scences & Géne des Matéraux SMS PERIER-CAMBY Laurent MA1 Géne des Procédés SPIN PIJOLAT Chrstophe PR 1 Géne des Procédés SPIN PIJOLAT Mchèle PR 1 Géne des Procédés SPIN PINOLI Jean-Charles PR 1 Image, Vson, Sgnal CIS SOUSTELLE Mchel PR 1 Géne des Procédés SPIN STOLARZ Jacques CR Scences & Géne des Matéraux SMS THOMAS Gérard PR 1 Géne des Procédés SPIN TRAN MINH Cahn MR Géne des Procédés SPIN VALDIVIESO Françose CR Géne des Procédés SPIN VAUTRIN Alan PR 1 Mécanque & Ingénere SMS VIRICELLE Jean-Paul CR Géne des procédés SPIN WOLSKI Krzysztof CR Scences & Géne des Matéraux SMS XIE Xaolan PR 1 Géne ndustrel CIS Glossare : Centres : PR 1 Professeur 1 ère catégore SMS Scences des Matéraux et des Structures PR 2 Professeur 2 ème catégore SPIN Scences des Processus Industrels et Naturels MA(MDC)Maître assstant SITE Scences Informaton et Technologes pour l Envronnement DR 1 Drecteur de recherche G2I Géne Industrel et Informatque Ing. Ingéneur CMP Centre de Mcroélectronque de Provence MR(DR2) Maître de recherche CIS Centre Ingénere et Santé CR Chargé de recherche EC Ensegnant-chercheur ICM Ingéneur en chef des mnes

3 Remercements Je tens à remercer c les personnes exceptonnelles qu m ont adé dans ce traval de recherche. J a reçu pendant ce parcours : ade, encouragements et nspraton de ben des personnes qu y ont tenu une place mportante. Il m est mpossble de les cter toutes nommément, toutefos certanes contrbutons furent telles que e tens à leur rendre un hommage tout partculer. - Jacky Montman, professeur à l Ecole des Mnes d Ales, qu a encadré mes travaux de thèse et envers qu e tens à exprmer ma très profonde grattude. Il a gudé, orenté, crtqué, améloré, et surtout soutenu ces travaux. Grâce à sa grande compétence, son professonnalsme, l m a éclaré sur de nombreux domanes de la recherche scentfque. - Gérard Dray, m a souvent consellé, et apporté sa parfate maîtrse de multples dscplnes scentfques ans que ses nombreuses marques d estme et de souten. Ce fut un plasr de partcper à ses côtés au déf DEFT Pascal Poncelet, professeur et drecteur adont du laboratore LGI2P pour ses consels touours préceux. - Alexandre Memoun, qu m a apporté une ade notable et une grande maîtrse pour le développement du prototype, ans que de nombreuses remarques scentfques pertnentes pendant nos dscussons anmées qu ont fat progresser ce traval de recherche. Je remerce tous les membres du ury d avor ben voulu examner mes travaux de thèse et d avor partcpé au ury de cette thèse : - Monseur Al Khenchaf, - Madame Camlle Rosenthal-Sabroux, Monseur Joël Qunqueton, - Madame Danèle Hern, Monseur Ele Sanchez, - Monseur Davd Pearson. Je remerce également : - Sylve Ranwez pour son ade et sa courtose, - Stefan Janak, Chrstelle Urtado, Thomas Lambolas, Mchel Vasquez, pour leurs contrbutons. - Rachd Arezk, Abdenour Mokrane, et Faben Jalabert doctorants du laboratore, pour leurs consels et les dscussons plenes de créatvté que nous avons eues ensemble. - l Ecole des Mnes d Alès et ses drgeants qu m ont perms de réalser ce traval de recherche. - Sylve Cruveller pour sa patence, son ade remarquable et pour son vaste savor-fare dans les démarches admnstratves. - Les membres du laboratore LGI2P, ensegnants, chercheurs ou étudants, que a sollctés à mantes reprses. Ils ont contrbué à ce que mon traval se déroule dans une atmosphère agréable. Je remerce nfnment ma femme Chrstne qu m a soutenu et encouragé pendant ces années.

4

5

6

7 Table des matères Introducton générale Chaptre I. Concepton d un SIADG et fablté humane Cognton et décson Le processus de la décson Le kalédoscope de la décson et l apport des scences humanes Les pèges de la rason Fablté humane et ade à la décson L erreur humane Instancaton à l actvté de décson en organsaton Chaptre II. Le rôle de l nformaton dans le contrôle d un processus décsonnel Introducton Le modèle S.T.I de H.A. Smon Ratonalté substantve versus ratonalté procédurale Acquston et tratement de l nformaton Synthèse L nterprétaton cybernétque du modèle S.T.I Boucles cogntves et dynamque du processus décsonnel Boucle de rétroacton et contrôle de la dynamque du processus décsonnel Concluson Chaptre III. Geston des connassances et décson Introducton La course à l nformaton à l ère du La crossance exponentelle de l nformaton Un beson avéré ou suscté? La surcharge cogntve Indexer pour meux gérer La noton de connassance Nature de la connassance Une typologe des connassances pour une organsaton La geston des connassances Le processus d ndexaton : de l nformaton à la connassance Indexaton manuelle Indexaton automatque Comparason des deux approches Connassance actonnable Instancaton de ces notons à notre problématque Chaptre IV. Représentatons de corpus documentares et technques de classfcaton La représentaton de corpus documentares Le mot comme unté lngustque La phrase comme unté lngustque La technque des «n-grammes» Tratement prélmnare Dfférents types de représentatons textuelles Concluson Les technques de classfcaton Le représentant moyen d une classe Les classfeurs Classfeur de Bayes /180

8 2.4. Autres classfeurs en tratement automatques du langage Extenson de la sémantque dstrbutonnelle Technques de segmentaton automatque de texte Valdaton Mesure de performance Concluson Chaptre V. Extracton automatsée de CAs dans un processus d évaluaton multcrtère Descrpton générale de la chaîne de tratement Corpus documentare et base d apprentssage Représentaton vectorelle du corpus de documents Index et représentaton vectorelle Consttuton de l ensemble d apprentssage de chaque classfeur Réducton de l ndex dédé à un classfeur Aout des synonymes La classfcaton des textes le classfeur fltrage des textes évaluatfs et narratfs Le classfeur «classfcaton crtère» Attrbuton d un score au commentare d une CA Score d une CA Quelques ustfcatons Concluson Chaptre VI. Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Gestonnare d un vdéo-club Lste des flms canddats Crtères d évaluaton Collecte et évaluaton des crtques Consttuton de la base de connassance en vue de l apprentssage Calcul de l ndex global Écrans de sase d une nouvelle crtque Agrégaton multcrtère, ustfcaton et dentfcaton Présentaton générale de l IHM Utlsaton des grlles multcrtères La grlle Flm/Date La grlle Fm/Crtère La grlle Crtère/Date Report de nouvelles crtques sur la grlle Evaluaton du rsque décsonnel L IHM de la foncton «rsque» Calcul du rsque Sgnal de contrôle Calcul du nombre de crtques mnmum pour modfer le classement Argumentaton Argumentaton en absolu Argumentaton en relatf Scénaro d évoluton dans le temps et stratéges de contrôle Scénaro CONFIRMER Scénaro EPROUVER Scénaro LIBRE ou BOUCLE OUVERTE Concluson Concluson générale /180

9 Bblographe Annexes Calcul d un modèle de classfcaton par les arbres de décson Modèles de classfcaton et arbres décsonnels Pouvor de décson et quantté d nformaton Autre mesure du melleur canddat Calcul d un modèle de classfcaton par la méthode des SVM /180

10

11 Lste des fgures Fgure I-1: Stratége poltque ou chox du consommateur, la décson semble partout présente dans l Hstore et dans les pettes hstores de la ve de tous les ours Fgure I-2: Décson et stratége de concurrence Fgure I-3 : Approche organsatonnelle de la décson Fgure I-4 : Approche poltque de la décson Fgure I-5 : Approche psychologque de la décson Fgure I-6 : Le décdeur n est pas monolthque Fgure I-7 : Le drgeant d une entreprse a une connassance lmtée de la stuaton Fgure I-8 : Lmtes de la pensée stratégque Fgure I-9: Schéma de prncpe du modèle GEMS Fgure I-10: Erreurs au nveau SB Fgure I-11: Erreurs au nveau RB Fgure I-12: Erreurs au nveau KB Fgure I-13: L ade à la décson collectve sous l angle de l erreur humane Fgure I-14 : Concepton du SIADG et fablté humane Fgure II.1: boucles cogntves dans le modèle IDCR de Smon Fgure II.2: Un exemple de grlles d évaluaton par les CAs Fgure II.3: Le processus de vote Fgure II.4: Suv de l évaluaton globale des solutons envsagées dans le temps Fgure II.5: Découpage en étquettes symbolques des contrbutons partelles Fgure II.6: Contrôle de l nformaton décsonnelle ou plotage par le rsque Fgure III.1 : Les processus de transformaton des connassances de l entreprse Fgure III.2: Connassance Actonnable (CA) Fgure IV-1 : Processus de valdaton par le test Fgure IV-2 : Processus de valdaton crosée Fgure IV-3 : Processus de Bootstrap Fgure V-1: Processus général Fgure V-2 : Détal du processus général Fgure V-3 : Structure de la base de connassance pour tros crtères Fgure V-4 : Processus de calcul des ndex Fgure V-5 : Tratements lés à l apprentssage Fgure V-6 : Exemple de la structure de table de correspondance entre lemmes de l ndex et les synonymes Fgure V-7 : Dagramme d actvtés générque du calcul d un classfeur Fgure V-8 : Dagramme d actvtés du classfeur «fltrage» Fgure V-9 : Dagramme d actvtés du classfeur «classfcaton crtère» (cas de 3 crtères) Fgure V-10 : Evaluaton hérarchque des phrases Fgure V-11 : Dagramme d actvtés du classfeur «classfcaton P/N» Fgure V-12 : Dagramme d actvtés du classfeur «classfcaton N/TN» Fgure VI.1 : Le processus de décson multcrtère du gestonnare de vdéo-club Fgure VI.2 Ecran de sase d une nouvelle crtque Fgure VI.3 : Grlle multcrtère Flm/Crtère Fgure VI.4 : Notes assocées aux couleurs de la grlle Fgure VI.5 : Les grlles mult-crtères et l explcaton Fgure VI.6 : Grlle flm/date Fgure VI.7 : Une vue de l ACP sur l espace ntal des évaluatons partelles /180

12 Fgure VI.8 : La méthode du «clusterng hérarchque» sur la base test des clents du vdéoclub Fgure VI.9 : La grlle Flm/crtère au 15 ma Fgure VI.10 : La grlle Crtère/date Fgure VI.11 : Affchage des CA pour une case Fgure VI.12 : Affchage d une CA sute à une demande d explcaton Fgure VI.13 : La grlle Flm/Date au 29 ma Fgure VI.14 : Ecran «rsque» au 15 ma Fgure VI.15 : Ecran rsque après adoncton de crtques postves sur Le pacte des loups. 143 Fgure VI.16 : exemple de grlle rsque affchée Fgure VI.17 : Ecran d une explcaton en absolu Fgure VI.18 : Explcaton en absolu et paramètre pourcentage d explcaton Fgure VI.19 : Ecran d explcaton et paramètre tolérance Fgure VI.20 : écran d explcaton en relatf Fgure VI.21 : écran d explcaton en relatf lorsque k% est fable Fgure VI.22 : Explcaton en relatf avec une tolérance plus grande Fgure VI.23 : Grlle Flm/Date arrêtée au 15 ma Fgure VI.24 : Rsque décsonnel assocé à chaque flm canddat Fgure VI.25 : Stuaton décsonnelle au 22 ma 2004 Scénaro CONFIRMER Fgure VI.26 : Stuaton décsonnelle au 22 ma 2004 Scénaro EPROUVER Fgure VI.27 : Stuaton décsonnelle au 29 ma 2004 Scénaro EPROUVER Fgure VI.28 : Stuaton décsonnelle au 22 ma 2004 Scénaro LIBRE ou BO Fgure VI.29 : Stuaton décsonnelle au 29 ma 2004 Scénaro LIBRE ou BO Fgure VI.30 : exemple d arbre de décson /180

13 Lste des tableaux Tableau I-1 : Synthèse des approches de la décson Tableau I-2 : La théore de Bayes est-elle utlsée dans nos chox de tous les ours? Tableau I-3 : Classfcatons d éléments bblographques de la décson vue par les SHS et notre typologe des erreurs humanes Tableau II-1 : Exemple de classement et noton d effort à produre Tableau IV-1 : les quatre possbltés d un classfeur /180

14

15 Introducton générale Décson et ncerttude épstémque De nos ours l exploson des technologes de l nformaton a fat de l Internet un outl, ncontournable tant au nveau personnel que professonnel occupant une place prépondérante dans notre socété et notre ve. Le WWW nous offre un monde de l nformaton prodgeux sans lmte, ce qu pourrat apparaître comme une vértable opportunté, mas d un autre côté, c est l ouverture à un monde nexplorable et ncontrôlable en termes de quantté et de fablté des nformatons délvrées, où l ensemble des chox possbles est quas nfn Le problème pour le décdeur au sens commun du terme en quête de l «nformaton pertnente» n est plus l accès à cette nformaton qu tend à être unformément dstrbuée, mas de savor la trouver dans d mposants flux nformatonnels extrêmement «brutés». S aventurer dans le monde de l nformaton sur des suets, où ses connassances sont lmtées, est un par rsqué. Leurres et llusons. Pourquo prendre pour argent comptant, une nformaton scentfque qu est passée à travers tout processus de vérfcaton et de valdaton et cela, qu plus est, en toute légtmté? Comment chosr un téléphone moble? Un hôtel? Tout est sur la tole, à chacun de savor consulter et de se fare son opnon. La quête de l nformaton pour prendre une décson est classquement un processus tératf. S l on reste sur l exemple du web, la plupart du temps, l évaluaton, la comparason et le classement des alternatves qu s offrent à nous va reposer sur une premère consultaton de quelques stes de recommandaton (CIAO, Legude, etc.) ou de comparateurs (Kelkoo, etc.), mas cette recherche ne saurat être exhaustve et systématque. Néanmons, en général, elle permet d avor une catégorsaton grossère des alternatves. La poursute de la quête de l nformaton peut s affner et consste alors à ne s enquérr que des ponts partculers du problème sur lesquels l état de nos connassances ne permet pas de défnr une stuaton 15/180

16 Introducton générale décdable de façon fable. Pour parvenr à cette stuaton, l nous faut combler un défct nformatonnel qu, tant qu l subsste, ndut une ncerttude épstémque,.e. un rsque décsonnel lé à l état nsuffsant de nos connassances à un nstant donné. Par la sute, notre nvestgaton se focalse alors sur des dmensons de l évaluaton des alternatves ben spécfques : celles pour lesquelles une sélecton fable ne saurat être envsagée tant les valeurs des optons sont proches. Plus notre quête du savor avance, plus l ncerttude épstémque est supposée dmnuer et la stuaton décdable se rapprocher. L eneu de ce processus cogntf est de savor condure sa recherche d nformaton avec perspcacté : sur quels aspects du problème sera-t-l le plus udceux d acquérr des compléments d nformaton pour gérer au meux l entrope de la décson? Certes, le terme d entrope est c chos par analoge avec la théore de l nformaton, mas on peut lu prêter une défnton plus psychologque : elle est la mesure de la rchesse en nformaton qu un message content pour le décdeur (le récepteur) ; l entrope est foncton du rapport des réponses possbles et connues avant et après que l on a reçu l nformaton. Elle correspond au degré d ndétermnaton dans la communcaton Ce qu l est mportant de retenr au travers de ces remarques, c est le caractère dynamque de ce processus cogntf et la nécessté de ben condure son nvestgaton pour arrver à une concluson au plus vte. Gérer l nformaton, c est contrôler la dynamque décsonnelle. Savor dscerner l nformaton utle dans le temps, c est être capable d accélérer la dynamque de décson. On parlera ans de la condute du processus de décson ou du contrôle de sa dynamque par analoge avec la régulaton d un système technque [Akharraz, 2004]. Avant d exposer comment l on souhate apporter quelques éléments de réponse à cette problématque, nous pensons qu l est utle de ustfer la termnologe automatcenne de notre dscours. On ouble trop souvent que l'émergence de la décson comme domane d'étude scentfque remonte aux années 1943 et 1948, moment où apparassent pluseurs courants de recherche parallèle dont la cybernétque comme scence de la communcaton et de la commande dans les systèmes naturels et artfcels créée par N. Wener en 1948 et vte assocée aux problématques de la recherche opératonnelle. Pour Walser [Walser, 1977], l étude des modfcatons que l on peut apporter à un système débouche sur une typologe des rôles des modèles. On peut être ans amené à dstnguer quatre fonctons prncpales d un modèle : une foncton cogntve : le modèle sert à représenter les relatons qu exstent entre varables d entrée et varables de sorte du système ; une foncton prévsonnelle : le modèle sert à prévor comment évolueront les varables de sorte du système, en foncton de l évoluton probable des varables externes et d hypothèses de fxaton des varables de commande ; une foncton normatve : le modèle sert à représenter les relatons souhatables entre varables d entrée et de sorte du système ; une foncton décsonnelle : le modèle sert à détermner comment fxer les varables de commande pour attendre les obectfs que l on s est fxés sur les varables de sorte, compte tenu de l évoluton probable des varables externes. Au sens large un modèle cogntf a pour foncton de fournr une représentaton plus ou mons conforme d un système exstant, mettant en évdence certanes de ses proprétés et permettant éventuellement d en dédure d autres (modèle explcatf). Au sens restrent, un modèle cogntf dot fournr une relaton auss bonne que possble entre les entrées et les sortes du 16/180

17 Introducton générale système et en partculer, précser l nfluence relatve des dverses varables d entrée (modèle descrptf). Au sens large du terme, un modèle prévsonnel a pour foncton, à partr de la connassance d un système dans des stuatons données, d nférer son comportement dans des stuatons non encore observées (modèle de smulaton). Au sens restrent, un modèle prévsonnel dot permettre, à partr de la connassance des varables d entrée et la relaton entrée-sorte du système, d évaluer la valeur des sortes dans le futur (modèle de prévson). Au sens large du terme, un modèle normatf a pour foncton de fournr une représentaton plus ou mons déale d un système à créer, mettant en évdence certanes proprétés souhatables (modèle prescrptf). Au sens restrent, un modèle normatf dot fournr une épure d un système relant en foncton de certanes proprétés des entrées et des sortes (modèle constructf). Au sens large du terme, un modèle décsonnel a pour foncton de fournr à un décdeur des nformatons lu permettant d éclarer une décson vsant à modfer le système (modèle de décson). Au sens restrent, un modèle décsonnel dot permettre de fournr les valeurs optmales des varables de commande au regard de certans obectfs, compte tenu des varables d entrée (modèle d optmsaton). Cette typologe de Walser confère au modèle décsonnel une défnton qu soutent parfatement notre pont de vue : la «vanne de l nformaton», le système d nformaton, est l organe de commande qu permet de contrôler la dynamque d une décson. D une phase d apprentssage, sélectve et pertnente, dépend la dynamque pour attendre une stuaton décdable. Informatque décsonnelle et automatsaton cogntve L étude du processus de la décson dot donc nclure un vértable processus de tratement de l nformaton en partculer lorsque la stuaton n est pas complètement «mathématsable», ce qu est généralement le cas lorsque la décson relève d une organsaton ou d un quelconque collectf. H.A. Smon, qu a élaboré la théore économque de la ratonalté lmtée, présentée en 1947, dans Admnstraton et processus de décson [Smon, 1983], précse à cet effet que la dffculté consste à trater l nformaton entre autre parce qu elle est trop abondante. Pour cela, l met en avant les outls nformatques, qu l appelle des «prothèses de l homme» au sens où ls adent ce derner à poser plus ratonnellement les problèmes, fltrer les nformatons et smuler et planfer l acton qu devra suvre. Il édcte alors quelques prncpes pour la concepton de ces outls et précse que l essentel est de comprendre la manère dont les décsons sont prses dans l organsaton, soulever les questons auxquelles l nformaton va répondre, adopter une approche arborescente et modulare des problèmes. Dans le cadre de la décson organsatonnelle, le vocable «système de tratement de l nformaton» (S.T.I) permet de désgner commodément la lgnée des modèles ssus de la pensée de H.A.Smon [Smon, 1997]. Prse au ped de la lettre, cette approche des systèmes d nformaton comme prothèses de l homme condut auourd hu à la nassance d une «nformatque décsonnelle», dont le mot d'ordre prncpal est : "fournr à tout utlsateur reconnu et autorsé, les nformatons nécessares à son traval". Ce slogan fat naître une nouvelle nformatque, ntégrante, orentée vers les utlsateurs et les centres de décson des organsatons. Tout utlsateur de l'entreprse ayant à prendre des décsons dot pouvor accéder en temps réel aux données de l'entreprse, dot pouvor trater ces données, extrare l'nformaton pertnente de ces données pour prendre les "melleures" décsons. 17/180

18 Introducton générale La queston que l on peut alors se poser est : usqu où peut-on pousser l nformatsaton du processus décsonnel? S l on s en réfère au contrôle de processus ndustrels, l nformatsaton des contrôles et de certanes actons peut être poussée usqu à l automatsaton cogntve, c est-à-dre le remplacement de l opérateur pour certanes fonctons de décson [Després, 1991]. S on reconnaît auourd hu de plus en plus clarement que, contrarement à ce qu état prévu, l automatsaton (au sens de la commande) a pu parfos rendre les tâches des opérateurs plus dffcles, la même chose peut être magnée pour l automatsaton cogntve [Banbrdge, 1991]. Cette thèse, sans prendre part, aborde ce suet délcat qu est l automatsaton cogntve. Elle propose la mse en place d une chaîne nformatque complète pour supporter chacune des étapes de la décson. Elle trate en partculer de l automatsaton de la phase d apprentssage en fasant de la connassance actonnable la connassance utle à l acton une entté nformatque manpulable par des algorthmes. Organsaton du document Le plan du manuscrt est le suvant. Au chaptre I, nous adoptons le pont de vue pragmatque du fablste human, analysant l erreur humane tout au long du processus de décson, pour en dédure les ades nformatques que l on peut légtmement attendre d un système nteractf d ade à la décson (SIAD). En pratque, nous passons en revue l apport des Scences Humanes à l étude de la décson sous la perspectve d analyse du fablste. Nous procédons alors à une catégorsaton des erreurs humanes dans la prse de décson, ce qu nous permet de dédure un ensemble de fonctonnaltés nformatques nécessares à la concepton d un système d ade à la décson. Au second chaptre, nous proposons un SIAD. D abord, l est fat menton des prncpales caractérstques du modèle de la décson de H.A. Smon, avant d en rappeler l nterprétaton cybernétque proposée par Akharraz dans sa thèse et sur laquelle s édfe notre SIAD. Des travaux de ce derner, nous reprenons les défntons formelles de ustfcaton des chox et de rsque décsonnel dans un processus de décson multcrtère pour les étendre à des opérateurs d agrégaton plus dscrmnants et générques. Ce modèle théorque se veut soutenr la fasablté de notre SIAD qu ouvrrat les portes de l automatsaton cogntve. A ce stade de la chaîne de tratement de l nformaton, la phase d apprentssage pour la décson est «drgée», mas exge néanmons l nterventon de l homme. La sute du manuscrt est consacrée à l automatsaton de cet apprentssage. Le trosème chaptre est un chaptre bblographque. Il ntrodut les notons de connassances, de geston des connassances avant de conclure sur les concepts fondamentaux de connassance actonnable et d ndexaton automatque sur lesquels reposent les modèles et outls développés dans la sute de nos travaux. Le chaptre IV propose une synthèse rapde des technques d apprentssage les plus éprouvées en vue de l extracton automatque de connassances actonnables pour le processus de décson. Il détalle plus spécfquement le classfeur de type Naïve Bayes multnomal qu sera l outl de base retenu dans la sute de nos expérmentatons. Le chaptre V déclne l ensemble des notons et technques ntrodutes dans les chaptres III et IV à la problématque spécfque d extracton automatque des connassances dans un processus d évaluaton multcrtère. La phase d apprentssage ans nformatsée, notre modèle francht alors un pas de plus de plus dans la voe délcate de l automatsaton cogntve. Le chaptre VI reprend et llustre le processus nformatsé dans sa globalté sur un exemple d applcaton. Il s agt de doter le gérant d un vdéoclub d un outl nformatque pour l ader à consttuer et gérer son stock. 18/180

19 Chaptre I. Concepton d un SIADG et fablté humane Concepton d un SIADG et fablté humane «Heyam Dukham Anagatam» Evter les erreurs (le danger) avant qu elles (l) ne survennent. Yoga Sutra, (I, 16) Patanal 1. Cognton et décson Le processus de la décson Le kalédoscope de la décson et l apport des scences humanes Les pèges de la rason La logque des erreurs Décder dans l'urgence Entre stratége conscente et force aveugle Décson rasonnée ou rasonnable Fablté humane et ade à la décson L erreur humane La typologe de Reason La typologe de Ncolet La typologe de de Keyser Caractérstques de ces typologes Instancaton à l actvté de décson en organsaton /180

20 Chaptre I - Concepton d un SIADG et fablté humane Parce que l on s ntéresse plus spécfquement à la décson dans une organsaton au sens large du terme, on parlera de décson de groupes. Avant de présenter le modèle de la décson de groupes que nous avons adopté pour notre étude et le Système Interactf d Ade à la Décson de Groupe (SIADG) qu le supporte, nous proposons quelques éléments de ustfcaton quant aux fonctonnaltés de ce SIADG. A cet effet, nous ntrodusons de manère orgnale la concepton d un SIADG en nous appuyant sur un argumentare relevant d une analyse de fablté humane. Nous pensons d abord qu l est utle de regarder l éclarage que d autres approches que les méthodes mathématques proposent sur la décson. Nous en proftons pour brèvement lster les apports fondamentaux des Scences Humanes et Socales (SHS) à l étude de la décson. La décson y est touours décrte comme un processus émnemment cogntf. Ce constat opéré, cette lason forte entre cognton et décson exge donc que l on prête une attenton partculère à l erreur humane tout au long du processus décsonnel. Quelles sont les erreurs, les bas cogntfs potentels qu sont susceptbles de venr entacher la décson? Quels ensegnements en trer pour doter le SIADG des fonctonnaltés les plus approprées pour soutenr l actvté cogntve des acteurs de la décson dans chacune des phases de celle-c? Nous nous sommes donc lvrés à cette analyse bblographque de la décson vue par les SHS parce que c est chez les poltologues, les soco économstes, les psychosocologues, etc., que sont répertorés les bas et pèges qu font de la décson une actvté partculèrement sensble à l erreur humane. Nous proposons alors une synthèse sur les typologes de l erreur humane, pus nous rénterprétons, fusonnons et déclnons celles-c relatvement à la décson de groupe et aux facteurs d erreurs que l analyse bblographque précédente a ms en lumère. C est de cette classfcaton que nous dédusons la concepton du SIADG, les fonctons attendues d un SIADG : les apports nformatonnels et représentatonnels nécessares à l évtement des bas cogntfs qu menacent le bon déroulement du processus décsonnel dans chacune de ces phases sont ms en évdence et l est alors possble de spécfer une nstrumentaton pertnente pour accompagner et assster les acteurs de la décson dans ce processus hautement cogntf par défnton. 1. Cognton et décson Pour aborder la décson sous l angle de la cognton, l est utle de s attarder déà sur les dfférents sens que l on prête communément au terme de décson : acte ou processus. Dans une décson fnale se mêlent rasonnements et ntutons, calculs et apprécatons globales, volonté et doutes, hypothèses et certtudes, expérences et rêveres, débats et comproms. Comment qualfer cette connassance acton dont l'usage est s courant? Nous proposons dans cette secton quelques éléments concourant à éclarer l'éngme de la décson sous l angle des Scences Humanes 1.1. Le processus de la décson La décson est au cœur d une des grandes éngmes de la pensée et de l acton. Elle semble partout présente dans l Hstore et dans les pettes hstores de la ve de tous les ours. L examen de la réalté des décsons montre que décder ne correspond pas à une phase précse, clarement dentfable où tombe le couperet. La langue françase emploe l expresson «prendre une décson» un peu comme s la décson état un obet dentfable. Le pont d arrvée est confondu avec le processus. La langue anglase, qu emploe 20/180

21 Chaptre I - Concepton d un SIADG et fablté humane l expresson de «decson makng process» (la fabrcaton de la décson) rend meux compte de ce fat. La décson est un chemnement : elle se construt, se négoce, sut des voes snueuses au cours du temps. Elle pourrat sembler nsasssable. Depus longtemps, les scences de l homme tentent de percer les mystères de la décson, d en mettre en évdence les logques, d y déceler des régulartés. Les Scences de l Homme et de la Socété apportent un éclarage à la compréhenson de stuatons de décsons, ben lon du calcul décsonnel de la recherche opératonnelle, de la théore des eux ou encore de la cybernétque Le kalédoscope de la décson et l apport des scences humanes Il n exste clarement pas de scence de la décson. Il exste smplement pluseurs entrées, pluseurs ponts de vue, pluseurs lectures. Enfn, l est légtme de dstnguer quelques grands domanes qu consttuent des centres d ntérêt partculer pour des études sur la décson : le domane poltque [Allson, 1971], celu des entreprses et des organsatons, celu de la ve quotdenne (Fgure I-1). Fgure I-1: Stratége poltque ou chox du consommateur, la décson semble partout présente dans l Hstore et dans les pettes hstores de la ve de tous les ours Les théores de la décson pourraent être déclnées en cnq grands types d approches qu prvlégent selon le cas : la ratonalté de l acton, les contrantes organsatonnelles, le pods des comproms, la psychologe du décdeur ou encore le contexte de l acton. Selon le premer modèle ratonnel, la décson prse dot être le résultat d un chox comparatf entre les dverses solutons possbles. Le décdeur et ses consellers dovent mesurer avec son les rsques et les ssues probables de chaque formule, peser leurs avantages et nconvénents pour retenr fnalement celle qu représente le melleur rapport «coût/effcacté». Cette analyse, en termes de calcul ratonnel, postule l exstence d un acteur unque qu agrat en vertu de préférences hérarchsées en foncton de la melleure utlté (Fgure I-2). Fgure I-2: Décson et stratége de concurrence Ce sédusant modèle théorque fat abstracton des aspects organsatonnels souvent mplctes dans un processus décsonnel. En effet, la panople des solutons théorquement possbles est plus large que celles réellement envsagées par une approche purement ratonnelle. Les propostons émanent de scénaros préétabls par des membres ben dentfés de 21/180

22 Chaptre I - Concepton d un SIADG et fablté humane l organsaton. De plus les nformatons dsponbles sont généralement ncomplètes, mprécses ou contradctores! L dée de cette approche organsatonnelle est que le décdeur ne possède pas en fat une connassance totale de la stuaton, d où le terme de «ratonalté lmtée» cher à H.A. Smon [Smon, 1997]. Les lmtatons dans la connassance des fats et hypothèses provennent des contrantes de l organsaton qu sélectonne ou favorse tel ou tel scénaro en foncton de ses ntérêts (Fgure I-3). Fgure I-3 : Approche organsatonnelle de la décson Une approche dte poltque de la décson consste à mener une analyse qu prvlége le eu des acteurs, leur capacté à manœuvrer, à produre des coaltons. Le chox fat l obet de eux de pouvors entre les partes concernées. Une soluton de comproms entre les postons radcales est généralement adoptée (Fgure I-4). Les approches psychologques s ntéressent selon l angle de vue adopté, aux processus mentaux ms à l œuvre lors d une décson ndvduelle ou ben à la personnalté des décdeurs (Fgure I-5). La psychologe cogntve envsage la décson comme un cas partculer des stratéges de résoluton de problèmes. Elle explore des ratonaltés subectves employées par les ndvdus en stuaton. Beaucoup d expérences concernent les bas cogntfs c est-à-dre les rasonnements en apparence corrects qu condusent à de fausses conclusons. Heureusement, les heurstques (c est-à-dre les méthodes de résoluton de problèmes approxmatves) employées dans la ve courante sont souvent fables. Fgure I-4 : Approche poltque de la décson Fgure I-5 : Approche psychologque de la décson L autre voe explorée par la psychologe de la décson concerne la personnalté des décdeurs. Les spécalstes amércans de management ont décrt toute une panople de profls de personnalté ou styles décsonnels qu correspondent à autant de styles de leadershp : les ntutfs, les ratonnels, les ngéneux, les rgdes, les autortares, les nnovants, etc. Alors que l ntutf ame suvre son nspraton, le ratonnel s nforme, calcule, soupèse, s arme de prudence. Le premer est créatf, le second plus conformste. On peut encore ranger les études de psychosocologe parm ces analyses psychologques. On soulgne alors comment les nteractons entre partcpants vont contrbuer à polarser la décson sot dans le sens d une radcalsaton, sot dans le sens du conformsme. Les modèles dts compostes désgnent une panople d autres approches dont le seul trat commun est de combner pluseurs aspects des modèles précédents. 22/180

23 Chaptre I - Concepton d un SIADG et fablté humane Le nombre d approches de la décson reflète ben sûr la complexté du phénomène mas auss la dversté des domanes d applcaton. On ne décde pas de la même façon dans un mnstère ou dans une PME, dans une assemblée générale de grévstes ou dans une frme multnatonale. Selon le contexte d acton, la dmenson poltque, psychologque, organsatonnelle, le pods de l envronnement, seront plus ou mons prépondérants [Stratégor, 1988] (Tableau I-1). Types d approches Dmensons mses en lumère Approche ratonnelle défnton précse du problème lste systématque des chox possbles calcul de la melleure utlté Approche organsatonnelle ratonalté lmtée du décdeur contrantes de l organsaton chox d une soluton satsfasante Approche poltque mportance des négocatons et comproms entre les groupes concernés Approche psychologque stratége mentale de résoluton de problèmes profl de personnalté des décdeurs et styles décsonnels Approche composte ntègre pluseurs dmensons des modèles précédents étude des phases, des nveaux hérarchques et des contextes de la décson Tableau I-1 : Synthèse des approches de la décson Quelles caractérstques du processus de décson nous ensegnent ces quelques lgnes? D abord dans le domane du poltque au sens large du terme, c est la dstrbuton du pouvor entre les hommes poltques, technocrates et socété cvle qu consttue la trame des acqus de la scence poltque. Le décdeur n est pas monolthque : les actons ou mesures résultantes sont élaborées à travers un processus long et enchevêtré moblsant de nombreux acteurs ; l n y a pas de décson, un décdeur, mas une sére de stratéges et de comproms entre les ponts de vue, entre des groupes qu ne partagent pas la même soluton (Fgure I-6). Dans sa théore du surcode [Sfez, 1992], L. Sfez montre que derrère l mage trompeuse d une décson conscente et unfée, l y a en fat une multplcté de ratonaltés dfférentes qu s mbrquent, se superposent se confrontent. Fgure I-6 : Le décdeur n est pas monolthque Le décdeur n fne sert de détonateur à l élaboraton de nouvelles poltques au sens large du terme. Même s c est lu qu sgne et tranche en derner ressort, l s appue sur des solutons concrètes dont la formulaton détallée, technquement consttuée, n est pas son œuvre. Des groupes ters fournssent ces solutons, élaborent les optons et assurent leur légtmté opératonnelle. Les mesures prses en défntve ne sont pas nécessarement des réponses à des exgences générales de la socété, de l entreprse mas le produt d actvtés ntermédares d experts et de consellers [Thoeng, 1987]. 23/180

24 Chaptre I - Concepton d un SIADG et fablté humane L argumentare est un ncontournable exercce de rhétorque du monde poltque. A ce propos, Henr Nallet, ancen mnstre de l agrculture pus de la ustce, déclarat lors de sa premère rencontre avec les représentants de l nsttuton udcare : «Je ne demandera au premer mnstre une «rallonge» budgétare que s nous sommes capables de ustfer tout franc supplémentare par une améloraton correspondante dans le fonctonnement du servce. S on ne peut pas ustfer, e ne demandera ren.». Sur le plan de la psychologe socale, un premer constat est que lors d une prse de décson, les groupes peuvent adopter des chox plus rsqués que les ndvdus ; le groupe est alors supposé favorser la dluton des responsabltés, la réducton de l engagement des ndvdus. On peut penser au contrare, que dans certanes crconstances, les ndvdus s engagent plus au sen d un groupe : l a été en effet observé que la décson en groupe provoque un renforcement des optons ntales quelles qu elles soent, on parle de processus de polarsaton. Un autre pont de la décson de groupe concerne la nécessté de parvenr à un consensus [Dose et al., 1992] : l engagement des ndvdus s en trouve augmenté car, s l n y a pas nécessté d aboutr à une décson commune, les membres d un groupe débattent de leurs opnons personnelles, mas sans chercher à retravaller cogntvement les opnons exprmées par les autres. L obectf d un consensus ne dot pas être de supprmer les conflts, mas de les tolérer. Plus les optons ndvduelles sont varées, plus la confrontaton est mportante et plus la reformulaton du problème peut devenr explcte. La recherche d un comproms par le groupe ncte les ndvdus à reconsdérer leurs postons sur le problème. Lorsque les membres du groupe se sont ms d accord sur une concluson, on constate qu ls la mantennent ensute lorsqu on les nterroge ndvduellement. La possblté de lasser s exprmer les opnons dvergentes favorse donc la cohéson du groupe. Par alleurs, l faut noter que l nnovaton vent souvent des ponts de vue mnortares dssdents : ans, pour être vértablement effcaces, les mécansmes de décson dovent favorser la contradcton. Pour ce qu est de la décson stratégque d entreprse, compte tenu des remarques précédentes, on peut affrmer qu auourd hu l acton d un drgeant d entreprse ne correspond pas à l mage mythque du grand patron, clarvoyant et omnprésent [Koeng, 1990; March, 1991; Stratégor, 1988]. Sa connassance de l envronnement est lmtée, l se heurte à une organsaton souvent rétve à ses chox. L élaboraton d une stratége émergente dot tenr compte de ces contrantes (Fgure I-7). Fgure I-7 : Le drgeant d une entreprse a une connassance lmtée de la stuaton Le drgeant a ben souvent été représenté comme le grand stratège, à la tête d un arsenal de prévsons, scénaros, calculs, méthodes, plans, programmes, proets, qu une organsaton dscplnée et effcace élabore sous sa drecton, et dont l condut fermement mas serenement la réalsaton. Représentaton mythque ou modèle normatf? L mportant est que se révèle une trame commune, une sorte de modèle de base, mplcte, de la décson stratégque, qu comporte tros temps successfs : l antcpaton : les décsons procèdent de l état futur de l envronnement ; le chox : le décdeur est le drgeant qu exprme sa volonté, frut de son analyse ; 24/180

25 Chaptre I - Concepton d un SIADG et fablté humane la mse en œuvre : le chox arrêté par le drgeant est réalsé par l entreprse conformément à sa volonté. Malheureusement, de nombreuses études emprques ont montré que les processus de décson stratégques dans les entreprses s écartent sensblement de ce modèle ratonnel et lnéare. Tout d abord l envronnement décourage les antcpatons. Ensute, l entreprse est ben mons docle qu on ne le crot, pour exécuter les décsons du drgeant. Enfn, le drgeant lu-même ne ressemble guère à ce décdeur aux capactés exceptonnelles. C est d un envronnement ncertan que nassent et dsparassent les menaces qu peuvent affecter la stratége de l entreprse. La stratége mplque donc de mettre l entreprse en adéquaton avec son envronnement, et tout d abord avec le ou les marchés vsés. Dans ce domane, la fablté des prévsons est plus que douteuse et certanes entreprses estment que des prévsons fausses sont plus nusbles que l absence de prévsons, car elles produsent de fausses certtudes, qu lmtent les capactés d ntellgence et de réacton des managers. L envronnement stratégque d une entreprse est auss un unvers d acteurs concurrents, fournsseurs, dstrbuteurs partes prenantes de toutes sortes. Les allances de plus en plus nombreuses que les frmes passent entre elles sont souvent décrtes comme des moyens de rédure l ncerttude générée par la multplcté des acteurs, en stablsant leurs relatons. Pour ce qu est de l organsaton rétve, les moyens humans et organsatonnels qu composent l entreprse sont censés servr les dessens stratégques élaborés par le drgeant. La formulaton de la stratége serat l apanage du drgeant, et sa mse en œuvre serat la msson de l ensemble de l entreprse. Cette dstncton s naturelle occulte le rôle consdérable de l organsaton dans la réalsaton de la stratége. L organsaton se montre ben souvent rétve et cela de pluseurs manères. Les grandes entreprses sont dotées de structures et de systèmes de geston qu détermnent largement leur fonctonnement. Ces dspostfs consttuent souvent une force d nerte non néglgeable. Pour nombre de grands groupes, l a fallu des années pour cesser de mesurer la performance de l entreprse en quantté produte et en coût par unté produte et centrer leur comportement sur d autres crtères, tels que l adaptaton des produts aux demandes du marché, la qualté des produts et du servce, la dversfcaton de l offre, etc. Les structures produsent leur propre dynamque, mas les acteurs, ndvdus et groupes, qu peuplent ces structures, s en servent également pour satsfare leurs propres ntérêts. Les décsons stratégques, par essence, désgnent des eneux mportants. Notamment, elles répartssent les ressources humanes et fnancères au sen de l organsaton. Les actons stratégques de la drecton générale sont décodées en ces termes par les acteurs, qu de plus nourrssent souvent des proets spécfques. Des processus poltques (luttes, conflts, négocatons, allances, ruses, etc.) s engagent autour de la formulaton, de la sélecton, et de la réalsaton de ces actons et de ces proets. Il n est pas touours facle de dstnguer clarement les ntérêts partculers et l ntérêt de l entreprse. A ttre d'exemple, la concepton d'une automoble dans une grande frme mplque une myrade de mcro-décsons prses au nveau des servces technques. Les chox sont fondés sur le comproms, l'autorégulaton, l'austement spontané. Les conflts potentels sont tranchés par le sommet à des dates clés qu scandent les phases de la réalsaton. 25/180

26 Chaptre I - Concepton d un SIADG et fablté humane Revenons sur les lmtes de la pensée stratégque du drgeant. Le décdeur ne domne n l envronnement auquel l est confronté n l organsaton qu l drge (Fgure I-8). Il n est pas non plus, ans que le mythe le dépent, déalement lucde et ratonnel. La lste est longue des bas cogntfs auxquels les drgeants sont exposés. Il faut convenr que les problèmes stratégques, par leur mportance, leurs ambguïtés, leur sngularté, favorsent les erreurs et les désllusons. Fgure I-8 : Lmtes de la pensée stratégque Le drgeant est confronté à un dlemme : en prvlégant les approches méthodques, tratant des données obectves et autant que possble quantfées, l perd les nformatons qualtatves, mpalpables mas essentelles, car un problème stratégque est touours une confguraton complexe de fats et d nterprétatons ; mas en fasant confance à l expérence, aux analoges, à sa percepton, à l ntuton, l rsque d être vctme de sa subectvté. Le drgeant n aborde pas les stuatons d un œl verge. Il a notamment des représentatons de ce qu est mportant ou non, de ce qu l convent de fare ou non. Il s appue sur des règles et prncpes qu sont pour lu des évdences, mas qu pour l'observateur apparassent comme des croyances, c est-à-dre des manères de penser dont la valdté n est pas démontrée. On peut ans s nterroger sur la capacté des drgeants à contrôler la stratége? Entre les ncerttudes générées par l envronnement, les dérves organsatonnelles, les croyances des drgeants, y a-t-l donc une chance de vor se former des décsons stratégques sensées et cohérentes? Il est vra que ces tensons peuvent empêcher la formaton d une stratége vértable mas dans beaucoup de cas, elles peuvent être snon résolues, du mons contrôlées. Soulgner que les processus qu fabrquent la stratége s écartent souvent de la ratonalté mse en scène par le drgeant décdeur ne sgnfe pas que le drgeant sot mpussant. Il peut développer des moyens ndrects de contrôle et d nfluence allant dans le sens souhaté. Le drgeant ne manque pas d atouts du fat de sa poston prvlégée à l nterface entre les untés de l entreprse et en contact avec l envronnement. Il peut se poser en arbtre régulateur des conflts nternes et favorser les proets et les acteurs qu sont compatbles avec ses propres préférences et ses propres ambtons. Ans, par la mse en place de structures et de systèmes de geston, ls défnssent des règles du eu qu peuvent ndure une dynamque. La vértable queston semble pourtant être alleurs. La confguraton des structures et la répartton du pouvor dans l entreprse sont généralement des partes d un système plus ou mons cohérent qu comprend également un ensemble de croyances portant sur la stratége, largement partagé par le groupe des drgeants, et souvent auss par les autres nveaux du personnel. On parle alors de paradgme stratégque, par analoge avec les paradgmes scentfques. Le paradgme décrt l envronnement, l organsaton dans l envronnement, et ce qu marche et ce qu ne marche pas pour survvre et prospérer dans cet envronnement. Le paradgme stratégque consttue une logque domnante qu détermne largement les résultats de la plupart des décsons. La queston centrale est la capacté des drgeants à en prendre conscence et à en ouer de manère à profter de l élan, tout en évtant les écuels et les dérves. Dans cette perspectve, les événements stratégques, fallte d un gros clent, entrée d un nouveau concurrent pussant, apparton d une nouvelle technologe de substtuton, consttuent des mses à l épreuve du paradgme stratégque, des tests de sa capacté à mantenr l entreprse sur une traectore favorable. Ils sont auss pour les drgeants l occason de fare évoluer le paradgme : redéfnr ce qu dot être tenu pour vra et ce qu dot être tenu pour bon, et réorenter les forces qu façonnent la stratége de l entreprse. 26/180

27 Chaptre I - Concepton d un SIADG et fablté humane On vot que le rôle du drgeant, s l n a plus l aura du grand décdeur, est cependant fondamental, détermnant et dffcle! Sa stuaton est assez nconfortable. On attend de lu une lecture clare d un envronnement ncertan et souvent ambgu. Tenu d ncarner une volonté, l est pourtant dépendant, pour l acton concrète, d une foule de relas hommes, untés, procédures, systèmes. Entre les chox énoncés et les résultats proms et attendus, des années entères peuvent s écouler, pendant lesquelles les orentatons prses ne manqueront pas d être contestées ou détournées, à la faveur d événements extéreurs qu sembleront remettre en queston son proet. La réalté des décsons stratégques est donc ben élognée de l mage mythque. Les réusstes stratégques se construsent rarement à l ade d ntutons fulgurantes ou de plans rgoureux. La capacté à produre une stratége émergente à partr d un flux de décsons et d événements apparemment dsonts est une des premères condtons de surve pour les entreprses où le drgeant est devenu un arbtre plus qu un décdeur mythque. Touours dans les stratéges d'entreprse, on peut sgnaler un modèle partculer, dt modèle de la poubelle (garbage can model [March, 1988]). Deux amércans défnssent à la fn des années 60, deux nouvelles notons. La premère est celle d'anarches organsées dont les unverstés sont selon, eux, un parfat exemple. Cette expresson désgne les organsatons : sans obectfs cohérents et partagés par tous ; où le processus de producton relève d'une technologe complexe, peu matéralsable ; dont les membres partcpent de façon actve aux prses de décson. La seconde est le modèle de la poubelle qu décrt le style de décson propre aux anarches organsées. Ce modèle remet en cause les théores où les décsons résultent d'une confrontaton entre des obectfs dentfés, des solutons dsponbles et leurs conséquences (modèle ratonnel) et les théores où les décsons sont le résultat d'une négocaton entre des groupes aux ntérêts dvergents (modèle poltque). Dans les anarches organsées, des chox sont à la recherche de problèmes, des questons cherchent des opportuntés pour décder, des solutons cherchent des questons auxquelles elles pourraent être une réponse et des décdeurs cherchent du traval Des décsons se produsent quand les flux de problèmes, de solutons, de partcpants et d'opportunté de chox se rencontrent. Toute prse de décson est ans assmlable à une poubelle où des types de problèmes et de solutons sont déchargés par les partcpants dès qu'ls sont générés et qu, se rencontrant, font émerger un chox. La smulaton nformatque de ce modèle, a pror chaotque, ne fat pourtant apparaître que tros styles de chox possbles : - les décsons par nattenton ; - par déplacement des problèmes ; - et par résoluton des problèmes. Les deux premers étant plus fréquents que le derner. Cette émergence d'ordre dans les processus de décson anarchque a nspré des travaux sur la capacté d'apprentssage des anarches organsées. En partculer, on retrouve cette noton d émergence élaborée dans le cadre de la technque des agents logcels. Les apports du modèle de la poubelle sont nombreux. Premèrement, l nvte à ne pas surestmer la ratonalté des acteurs, à ne pas surévaluer leur capacté à appréhender le processus où ls ntervennent. De même, l ncte les décdeurs à rester modestes et à ne pas recourr à des outls managéraux trop ambteux (planfcaton, ratonalsaton...). Meux vaut travaller à la marge et utlser une technologe de l'absurde : trater les obectfs comme des hypothèses, consdérer que sa percepton ntutve correspond à la réalté, que son expérence a valeur de théore Ce modèle permet également de meux prendre en compte les aléas : le tmng est un élément décsf de l'analyse, tout comme les événements qu se produsent au cours d'une décson. 27/180

28 Chaptre I - Concepton d un SIADG et fablté humane Ans, la présence (ou l'absence) d'une personne à une réunon peut modfer le sens de la décson. Enfn, l permet de rasonner en dssocant les ntentons des actons, les causes des effets. On peut ans trouver des problèmes parce qu'on détent une soluton. On peut prendre une décson, non parce qu'on a un problème, mas parce qu'on a l'opportunté de fare un chox. On peut opter pour une soluton même s elle ne répond pas au problème soulevé. Stmulant et ludque, ce modèle donne un éclarage mons ratonnel et lnéare et, par conséquent, plus contngent et aléatore. Mas l comporte une phlosophe du décdeur souvent crtquée : nconstant dans ses préférences, nfdèle à ses ntentons, l est auss ncapable d'acton ratonnelle. A tel pont qu'l dsparaît de la scène et n'est pas central dans l'analyse du processus. Par crante de sur-ratonalser, ce modèle tend auss à sous-estmer tous modes de régulaton, toutes règles du eu formelles ou nformelles pouvant crconscrre le comportement des acteurs [Musseln, 1990] Les pèges de la rason La logque des erreurs L'obectf de la théore mathématque de la décson état ntalement d'explquer comment un homme ratonnel dot prendre des décsons dans l'ncerttude. Le décdeur construt un arbre de décson pour proeter les conséquences des dfférents chox possbles quant à la probablté et à l'utlté des événements correspondants ; l décde entre les chox selon une règle de maxmsaton de la valeur espérée ou de l'utlté attendue. Cette premère orentaton s'est révélée ncapable de prédre les décsons effectvement prses par des ndvdus et donc a fortor de décrre les processus mentaux qu'ls mettent en œuvre pour décder. On a explqué cette ncapacté par le fat que d'une part le système human de tratement de l'nformaton est lmté, d'autre part l'ndvdu n'estme pas et ne trate pas les probabltés selon les prncpes des théores probablstes (Tableau I-2). Le chox ratonnel suppose la connassance, l'examen et l'évaluaton de toutes les optons possbles, de tous les états de la nature actuels et futurs, des dfférentes ssues possbles. Une fos tous ces aspects estmés sur pluseurs dmensons, l reste à fare la sélecton présentant l'utlté maxmale. Un tel processus requert à la fos une grande dsponblté d'nformatons et une grande capacté de calcul. Kahneman, Slovc et Tversky ont ms quant à eux en évdence les proprétés de prse en compte et de tratement des probabltés par les ndvdus [Kahneman et al., 1982]. Dans la mesure où le type de phénomène d'écart à une norme llustré dans le Tableau I-2 est très général, l'dée s'est mposée qu'l tradut une proprété de l'actvté mentale (cogntve). Il a été désgné sous le terme de bas cogntf. Les prncpales proprétés de l'actvté mentale dans la décson ont été nférées à partr d'un nventare des prncpaux bas cogntfs [Cavern et al., 1990]. Les bas que subt le décdeur sont de quatre types : - l'acquston de l'nformaton ; - le tratement de l'nformaton ; - l'expresson de la réponse ; - l'nformaton qu'l reçot en retour. L'acquston d'nformatons est basée dans pluseurs crconstances : lors de l'évocaton de données en mémore, lors de la sélecton de données dans l'envronnement, et en foncton du mode sous lequel les données se présentent. Ans la fréquence des événements qu font l'obet d'une certane publcté est généralement surestmée par rapport à celle des événements dont on parle peu. La fréquence absolue des événements est préférée à leur fréquence relatve. Les nformatons concrètes sont plus prégnantes en mémore que les nformatons abstrates. 28/180

29 Chaptre I - Concepton d un SIADG et fablté humane L'ordre dans lequel les nformatons sont présentées peut produre des effets dts de prmauté ou de récence. Les premères ou les dernères nformatons ndusent la décson fnale. Illustraton Un tax est mplqué, la nut, dans un accdent de la crculaton. Deux compagnes de tax exercent dans la vlle, la verte et la bleue. 85% des taxs de la vlle sont verts et 15% sont bleus. Un témon a dentfé le tax de l'accdent comme étant bleu. Le trbunal a testé la capacté du témon à dentfer les taxs la nut. Lorsqu'on lu a présenté un échantllon équpart de taxs, le témon a correctement dentfé les taxs dans 80% des cas. Quelle est la probablté que le tax mplqué dans l'accdent sot bleu? Une très forte maorté des personnes soumses à ce problème répond que la probablté que le tax sot bleu est de 80%. La réponse exacte, selon la théore bayésenne des probabltés est 41%. En général cette dernère estmaton surprend et ne paraît pas ntutvement plausble. Les réponses observées tradusent le fat que l'ndvdu néglge les probabltés a pror (c 85% et 15%), qu donnent le cadre général de l'estmaton, pour ne consdérer que l'nformaton spécfque (c la fablté du témon). Théore bayésenne B1 : le tax est bleu B2 : le tax est vert A : le témon a vu un tax bleu P(A/B k ) est la probablté que le témon vot un tax bleu la nut quand celu-c est B k. P(A/B1) =.8 P(A/B2) =.2 P(B1) =.15 P(B2) =.85 La probablté p(a) est la probablté de vor un tax bleu : P(A) = p(a/b1).p(b1) + p(a/b2).p(b2) = 0.29 Enfn, on applque la règle de Bayes pour calculer la probablté que le tax sot bleu quand le témon affrme qu'l est bleu : P(B1/A)= p( A / B1 ). p( B1 ) = 0.12 p( A) 0.29 = 0.41 Tableau I-2 : La théore de Bayes est-elle utlsée dans nos chox de tous les ours? L'ndvdu apprend-l à décder? Cela supposerat qu'l pusse reconnaître des relatons stables entre événements dans l'nformaton qu'l reçot en retour de ces décsons. Or pluseurs bas nterfèrent avec la possblté d'apprentssage. Le fat que certans événements ne se produsent amas est un obstacle pour estmer les conséquences de certanes décsons. D'autre part certanes décsons sont d'une fréquence trop fable pour qu'un ndvdu pusse trer proft d'éventuelles conséquences qu'l aurat observées. Enfn, lorsque des événements consécutfs à une décson sont accessbles, une tendance est de les attrbuer systématquement à l'acton du décdeur (lluson du contrôle). Les bas ms en évdence par la psychologe cogntve [Hogart, 1987] attestent que le décdeur ne fonctonne pas selon les prncpes des théores formelles. Toutefos les explcatons fournes par la psychologe cogntve sur les processus en œuvre dans la décson sont encore lmtées : percepton sélectve, tratement séquentel, capactés de calcul et de mémorsaton lmtées, sensblté aux caractérstques de la tâche, acton sur l'envronnement Au leu d'être algorthmque l'actvté mentale du décdeur serat heurstque : les procédures mses en œuvre seraent habtuellement effcaces mas n'auraent pas de ustfcatons rgoureuses. Nous retendrons que les processus psychologques de la décson ndvduelle ne correspondent qu'mparfatement au modèle d'un calculateur frod. Même lorsque l'ndvdu se veut ratonnel, de nombreuses erreurs logques vennent péger son rasonnement Décder dans l'urgence Aoutons que la décson dot parfos être prse dans l'urgence. En stuaton de crse, la mécanque de la décson se grppe parce que : la crse peut provoquer des dommages mportants, et dans certans cas menacer la surve de l'organsaton ; la réponse à apporter au problème n'est pas planfée ; une attenton mmédate est nécessare ; 29/180

30 Chaptre I - Concepton d un SIADG et fablté humane l'événement est tel qu'l exge la mse en œuvre de toutes les ressources de l'organsaton ; l'ensemble des caractérstques de la crse va déclencher un stress mportant chez le décdeur. Les dommages que la crse peut provoquer, la complexté de la stuaton, et la rapdté avec laquelle l faut réagr créent une tenson qu va peser sur la prse de décson. L'entrée en crse se matéralse souvent par un choc qu peut paralyser toute réacton du décdeur. Le problème est tellement démesuré et on semble avor tellement peu de prse sur les événements que l'on ne sat que fare. Passé ce cap, c'est en réfléchssant aux façons de répondre à la crse que l'on réalse la complexté de la stuaton. La résoluton du problème ne va-t-elle pas entraîner l'aggravaton d'un autre (la crse peut se révéler à la cononcton de défallances technques, humanes et organsatonnelles). La décson dans les stuatons de crse donne la lmte des processus classques. La presson empêche une évaluaton séreuse des possbltés de réponse et de leurs conséquences. Le stress ntal provoqué par l'étendue des dommages est renforcé par la presson temporelle, l'ncerttude et la complexté de la stuaton. Ans, ce qu peut ader le décdeur, ce n'est pas tant la préparaton de scénaros ou de procédures, que la prse de conscence qu'une crse peut survenr dans son entreprse, et donc de la préparaton matérelle et psychologque à l'affronter [Glbert, 1992; Lagadec, 1988] Entre stratége conscente et force aveugle La décson peut être vue sous l angle du détermnsme socal ou de l autonome ndvduelle, des pulsons nconscentes ou du rasonnement lucde. Et s la dversté des regards tenaent mons aux conflts théorques qu à l échelle d observaton adoptée? La décson en stuaton collectve porte sur l étude des processus collectfs, c est-à-dre sur les nteractons et les transactons socales qu concourent à la producton d une décson. Les acteurs ont de «bonnes» rasons de décder ou de fare presson en faveur de telle ou telle soluton. La décson est donc la résultante d une somme d nteractons dont la logque peut parfos échapper aux acteurs eux-mêmes. Une clarfcaton du débat sur la décson se trouve dans l exstence d une dfférence d échelles d observaton, l oblgaton de découper dans la réalté, l ntégraton d un effet de stuaton dans le découpage de la réalté, la pertnence de la méthode des tnérares pour reconsttuer un processus de décson [Deseux et al., 1988]. La premère échelle est l échelle macro-socale. C est celle de la socété. Elle permet de montrer comment les ndvdus ont ncorporé les modèles culturels, les codes, les styles de ve de leur groupe d appartenance. Dans ce type d approches macro-socales, la décson ndvduelle dsparaît au proft des régulartés socales. A cette échelle, la tendance est plutôt de sous-valorser les calculs de l acteur. La deuxème échelle est nteractonnste. L observaton porte sur les lens concrets entre les acteurs. Elle montre comment les décsons ndvduelles sont contngentes, frut de négocatons socales ; comment le dscours, les eneux socaux, les ntérêts, le sens, l émotonnel organsent le champ décsonnel. A cette échelle, la rason et/ou l émoton de l acteur ont tendance à être survalorsées. La trosème échelle est mcro-ndvduelle. Elle permet de comprendre les arbtrages par lesquels un ndvdu rasonne ses chox. La méthode consste alors à fare reconstrure par les décdeurs les qualtés qu ls cherchent, pus à leur fare élucder les sgnes par lesquels ls reconnassent cette qualté. Ans, l est llusore de crore que même le consommateur qu achète son poulet au supermarché procède à une décson ndvduelle, c'est la stuaton qu est ndvduelle. La 30/180

31 Chaptre I - Concepton d un SIADG et fablté humane décson, elle, est tout autant qu'en organsaton la résultante d'un processus dans le temps. L'acteur subt des nfluences socales lées à son orgne socale, aux médas ou nteractons famlales Décson rasonnée ou rasonnable B.Jarrosson explque dans [Jarrosson, 1994] les rasons pour lesquelles la décson ne peut être ramenée à la norme du calcul : le calcul néglge la complexté, c est-à-dre l exstence de crtères d évaluaton multples et non commensurables ; le calcul néglge le suet connassant qu nterprète l nformaton, qu se construt en construsant ses croyances ; le calcul néglge que le décdeur exste en tant qu être autonome. Ce n est pas l nformaton brute qu sert à décder mas plutôt le sens qu a cette nformaton. Une nformaton ne dt ren de ce qu l faut fare, seule son nterprétaton l ndque. Son nterprétaton, autrement dt le sens qu elle prend ou pas pour une personne. Le sens de l nformaton n est amas contenu dans l nformaton elle-même. [Sfez, 1992] explque qu l est classque de penser que la décson sut un schéma causal et lnéare à cnq temps : Formulaton d un désr et concepton d un proet y répondant ; Prse d nformaton ; Délbératon ; Décson proprement dte ; Exécuton. Le poltologue Sfez reont l économste Smon et explque alors que ce schéma lnéare rencontre les lmtes de toute lnéarté : l mpossblté de consdérer des causaltés enchevêtrées. L exécuton, par exemple, ne va-t-elle pas changer la concepton même du proet, le but recherché? D une manère générale, chacune des phases modfe l obectf ntal. La délbératon condut à rechercher de nouvelles nformatons, etc. Le schéma est smple mas l ne correspond pas à la réalté de causaltés enchevêtrées. Le smple et le complqué se comprennent analytquement, mas le réel n est n smple, n complqué pusqu l est complexe. Il convent de dstnguer l évdence et la pertnence. L évdence relève d une cohérence nterne, d une compatblté avec une structure logque ; la pertnence relève d une cohérence externe, d une compatblté avec une stuaton extéreure. Il y a les solutons logques (évdence) et les solutons effcaces (pertnence). Dans la mesure où l on peut regarder le monde avec dfférentes logques, les solutons logques et les solutons effcaces ne sont pas touours les mêmes. La décson est un processus d nteractons entre le décdeur et le monde. Il faut donc qu elle sot en accord avec le monde plutôt qu avec sa logque nterne. Elle dot être pertnente plutôt qu évdente. Dans l dée de pertnence apparaît la noton de contexte. Une acton est pertnente par rapport à un contexte, qu elle sot logque ou pas, évdente ou pas. La décson évdente est rasonnée, la décson pertnente est rasonnable. Le schéma causal lnéare est évdent mas l n est pas pertnent, rasonné mas pas rasonnable. Certanes causes sont obscures et ambguës, sot qu elles exstent de façon souterrane sot qu elles ne possèdent pas l ntensté que l évdence leur attrbue. Jarrosson explque encore à propos du pouvor qu l exste deux façons d être : s opposer ou devenr. La premère façon est réalste et enfantne, tout au mons dans la vson du pouvor 31/180

32 Chaptre I - Concepton d un SIADG et fablté humane qu elle met en œuvre, la deuxème est déalste et adulte. Ces deux façons d être relèvent de la décson. Pour s opposer comme pour mettre ses proets en œuvre, l faut décder. L être est au cœur de la décson. En premer leu, la décson a pour foncton de permettre à l acteur d agr. Le système agt à travers ses acteurs. Il faut donc que les acteurs aent l mpresson (vrae ou fausse) d être lbres, de prendre des décsons. Ces décsons étant prses dans la perspectve de proets, la décson est une façon d être un devenant. En second leu, la décson a pour foncton de permettre à l acteur de supporter le monde. S l acteur n opposat pas à chaque nstant sa lberté de décder à la pesanteur des détermnsmes, la ve ne lu serat pas agréable. La décson est une façon d être en s opposant au monde. On supporte plus faclement ce monde qu n est pas tel qu on le voudrat s on peut à chaque nstant proeter sa lberté sur l mperfecton du monde, le redressant tout en dstnguant ses scores. 2. Fablté humane et ade à la décson Dans cette secton, nous allons reprendre quelques typologes de l erreur humane avant de proposer la nôtre nstancée au processus de la décson. Les classes d erreurs font référence aux bas et défallances que l analyse bblographque de la secton précédente a évoqués. Cette réflexon nous permettra de proposer un schéma fonctonnel de premer nveau pour notre SIADG. Pour qu l y at vrament une résoluton collectve d une stuaton de décson par le couple homme/machne, l est nécessare que la méthodologe de concepton du système d ade à la décson tenne compte de l'aspect de coopératon avec l homme et ntègre une analyse des actvtés de celu-c tout au long du processus décsonnel. S l ndvdu peut être consdéré comme une composante d adaptaton et de réactvté de l organsaton face aux événements ou perturbatons nternes et externes à celle-c, d un autre côté, ses performances sont suettes à d mportantes varatons, qu peuvent avor une ncdence sur le processus et remettre en cause la msson qu lu a été confée. Pour prendre la mesure de ce rsque, l faut consdérer les acteurs d un processus décsonnel comme des facteurs de rsque par la varablté de leurs performances. Cette varablté est à l orgne de la défallance (napttude à assurer une foncton requse), qu peut condure à l'erreur humane (les actons effectves ne correspondent pas aux ntentons) [Benkhannouche, 1996; Reason, 1993]. C est ustement en analysant ces erreurs humanes dans le cadre de l actvté de la décson, leurs manfestatons et leurs conséquences, leurs lens avec les tâches confées au décdeur que l on peut proposer des ades pertnentes pour l ade à la décson. Reprenons le schéma lnéare en cnq étapes de la décson ( 1.3.4) pour llustrer nos propos. Les cnq phases étaent la formulaton d un désr et concepton d un proet y répondant, la prse d nformaton, la délbératon, la décson proprement dte et l exécuton. L absence d une ou pluseurs de ces phases correspond à une dévaton que l on peut étqueter : s l manque l exécuton, on parlera de vellété ; s l on passe drectement de la concepton à la décson, on parlera d mpulsvté ou d nstnct ; s l on ne saute que la prse d nformatons, on parlera de paresse, de manque de rgueur ; s l on saute la délbératon, on parlera de légèreté ou de précptaton ; s l on s arrête à la délbératon, l s agra plutôt d ntellectualsme. S la dévaton n est pas ntentonnelle, alors l s agt d une défallance humane ndvduelle ou collectve selon le cas qu peut condure à l erreur malheureuse, la mauvase décson, l acton manquée. 32/180

33 Chaptre I - Concepton d un SIADG et fablté humane 2.1. L erreur humane L'erreur est plus partculèrement l'obet d'étude de la fablté humane, préoccupaton qu remonte aux années soxante et qu vsat à détermner les rsques lés aux erreurs humanes dans des actvtés telles que la condute d nstallatons ndustrelles. La fablté humane est à présent devenue la scence des défallances humanes [Vllemeur, 1988], dont l obet est de prédre et de prévenr l'erreur humane dans le but d'optmser la fablté globale et la productvté du processus que l homme cherche à contrôler. Même s ces études sont classquement le frut d analyses fablstes dédées à la condute de processus ndustrels, nous en proposons une brève synthèse car nous verrons plus lon dans cette secton que la transposton de certans résultats à l actvté d un collectf d acteurs confronté à une décson complexe est assez naturelle et utle à la concepton de notre SIADG. Nous consdérerons alors que la décson est un ensemble de processus, prncpalement cogntfs apprentssage, sélecton, délbératon, argumentaton, etc., leur condute relève d une actvté managérale. En condute d atelers, aborder l'étude de l'erreur humane s'avère délcat, car l analyse de l erreur peut condure à des nterprétatons dvergentes selon que l on consdère les écarts par rapport à la tâche telle que la défnt le prescrpteur, par rapport à la tâche telle que la redéfnt l opérateur, ou encore par rapport à l actvté réelle de l opérateur [Celler, 1990]. En effet, l écart à la prescrpton n est pas nécessarement à nterpréter en terme d erreur, à forte connotaton négatve ; elle peut être également bénéfque pour le processus, par la capacté de l homme à produre des comportements qu favorsent une récupératon nnovante mas effcace [Poyet, 1990]. Par alleurs, l erreur humane ne peut être rédute à une actvté ndvduelle solée, elle est la combnason de facteurs à la fos nternes et externes (condtons technques et socologques, contexte). La fablté humane, en tant que dscplne de l ergonome, s ntéresse aux condtons d apparton de l erreur et aux moyens de les prévenr ; la psychologe cogntve s ntéresse plus partculèrement aux mécansmes cogntfs de l erreur. La premère dscplne s ntéresse davantage à des ndces, des traces de l erreur ans qu aux moyens d y reméder, tands que la seconde vse à en comprendre et en explquer la genèse. Une des premères tentatves de classfcaton des erreurs humanes date du début des années 80 [Rasmussen et al., 1981]. Depus, pluseurs typologes ont été proposées, nous en passerons tros en revue : celle de Reason en psychologe cogntve, celle de Ncolet en ergonome et celle de de Keyser en psychologe du traval. Nous pensons qu'elles sont suffsamment représentatves, chacune dans un domane partculer, pour être l'obet d'une étude comparatve La typologe de Reason Reason a ntrodut un système générque de modélsaton de l erreur (GEMS pour Generc Error-Modellng System), qu s nspre du modèle de rasonnement de Rasmussen. Ce derner dstngue fondamentalement tros types de comportements cogntfs [Reason, 1993] : le comportement basé sur les automatsmes (SB), le comportement basé sur les règles (RB) et le comportement basé sur les connassances déclaratves (KB). Ce modèle est général, c'est-à-dre que Reason s'ntéresse à l'explcaton psychologque de l'apparton de l'erreur. Ce modèle est donc applcable à bon nombre des actvtés humanes. L hypothèse fondamentale dans le modèle GEMS est que le comportement SB est celu qu est prortarement sollcté dans une tâche, pus le comportement RB dès la détecton d un problème dans l'exécuton, pus le comportement KB s le problème n est touours pas résolu (Fgure I-9). Cette typologe de comportements sert de base à la typologe d erreurs de Reason : les erreurs assocées au comportement SB sont dues à des actons non conscentes 33/180

34 Chaptre I - Concepton d un SIADG et fablté humane (les lapsus et les ratés), tands que les erreurs assocées aux comportements RB et KB sont dues à des actons délbérées (les fautes). Par analoge avec la fablté technque, Reason parle de modes de défallance qu donnent les ndces observables par lesquels une erreur est décelée. Chacun de ces modes de défallance a une ou pluseurs causes à caractère psychologque. Actons routnères SB Problème Problème résolu Applcaton de règles stockées RB Utlsaton des connassances déclaratves Problème non famler KB Dagnostc et défnton d'un plan d'acton Fgure I-9: Schéma de prncpe du modèle GEMS Les modes de défallance recensés par Reason du type SB sont l nattenton et l attenton excessve (Fgure I-10). Pour l nattenton, les causes sont : Fgure I-10 une perturbaton ou une nterrupton dans le séquencement d actons en cours qu favorse les oubls ; une ntentonnalté rédute, c'est-à-dre qu'un déla entre la formaton d une ntenton et son exécuton effectve peut condure à oubler l'obectf de la séquence d'acton en cours ; une confuson perceptve, qu tradut l dée que des caractérstques peuvent être perçues de façon très grossère quand celles-c sont devenues famlères (l effort mplqué dans la reconnassance est mnmal) ; des caractérstques approxmatvement smlares d'une acton peuvent ans condure à fare exécuter une acton non souhatée. Dans le cas d une attenton excessve, la vérfcaton à contretemps peut condure à perturber l acton en cours par l attenton qu se fxe sur un pont partculer, alors que cela n est pas prévu ; cela survent pour les tâches fortement automatsées et peut condure à des dffcultés de repostonnement par rapport à la tâche en cours. 34/180

35 Chaptre I - Concepton d un SIADG et fablté humane Type de comportement Modes de défallance Attenton excessve Causes psychologques Vérfcaton à contretemps SB Inattenton Perturbaton Intentonalté rédute Confuson perceptve Fgure I-10: Erreurs au nveau SB Les modes de défallances pour le comportement RB sont une applcaton erronée de bonnes règles et l'applcaton de mauvases règles (Selon Reason, "une bonne règle est celle qu s'est révélée utle dans une stuaton partculère") (Fgure I-11). L'applcaton erronée de bonnes règles a pour causes : une "règle forte mas fausse", lorsque le suet est face à une stuaton non reconnue et qu'l applque une règle qu s'est usqu'c avérée utle faute d'en avor une adaptée ; une stuaton peut être ambguë, c'est-à-dre perçue à travers des sgnes et des contresgnes ; certanes caractérstques peuvent confrmer une règle alors que d'autres peuvent venr la contredre, l peut également arrver que ces contresgnes soent reetés car ne correspondent pas à l'mage que se fat le suet ; une capacté de tratement lmtée, qu mplque que l'ensemble des nformatons dsponbles, qu peuvent condure à se fare une représentaton complète de la stuaton, ne sont pas toutes tratées ; une compétton entre règles, qu ndque une préférence pour certans sgnes au détrment d'autres ; plus une règle est forte, plus elle aura tendance à être consdérée comme la plus vrasemblable ; un "conservatsme cogntf", qu condut le suet à ne pas changer les règles qu'l a étables au proft de règles plus élégantes et plus smples. L'applcaton de mauvases règles a pour causes : une représentaton partelle de l'espace-problème, qu condut à des actons sur certans aspects et à néglger les autres (exemple du conducteur débutant qu éprouve des dffcultés à contrôler la drecton et le passage de vtesses) ; une représentaton ncorrecte de l'espace-problème, c'est-à-dre une représentaton smplste des proprétés physques du monde ; de mauvases habtudes, qu consstent à employer des règles erronées (erreur de calculs, cf Tableau I-2), maladrotes, nélégantes ou déconsellées (volaton conscente de règles de sécurté) pour attendre un obectf ; ces règles peuvent avor certans avantages mas sont potentellement dangereuses ; une confance excessve en ses capactés : le suet ne respecte pas certanes consgnes, de sécurté notamment, car l est convancu qu'l aura touours suffsamment de temps pour fare face aux stuatons redoutées le cas échéant (c'est le cas de l'automoblste qu ne respecte pas les dstances de sécurté recommandées sur autoroute). 35/180

36 Chaptre I - Concepton d un SIADG et fablté humane Type de comportement Modes de défallance Causes psychologques Règles fortes mas fausses Ambguïté des stuatons RB Mauvase applcaton de règles correctes Capacté lmtée de tratement Compétton entre règles "Conservatsme cogntf" Applcaton de mauvases règles Représentaton partelle de l'espace-problème Représentaton ncorrecte de l'espace-problème Mauvases habtudes Règles déconsellées Fgure I-11: Erreurs au nveau RB Les défallances du nveau KB se produsent quand le suet met en œuvre son attenton sur un problème qu n'a pu être résolu au nveau RB (Fgure I-12). Les modes de défallance peuvent être : une récaptulaton basée ou "lluson du pontage", qu ndque que le plan d'acton est évalué par rapport à certans aspects de la stuaton et non de manère systématque et rgoureuse sur l'ensemble des données dsponbles ; une résstance au changement, qu ndque qu'un plan d'acton ntalement établ est mantenu malgré les nouvelles données qu ndquent que l'obectf poursuv n'est pas accessble de cette façon ; une lmtaton de l'espace de traval, ou prncpe du "premer entré/ premer sort" selon lequel l nterprétaton des caractérstques du problème est réalsée par rapport à un modèle mental (la charge de traval est dfférente selon la façon dont le problème est posé) ; "hors de la vue, hors de l'esprt", ou "heurstque d accessblté", selon laquelle la prorté est donnée aux fats qu vennent faclement à l'esprt ; une dffculté à maîtrser la complexté, qu est lée à : - une percepton lmtée des aspects temporels, c'est-à-dre une mauvase maîtrse des processus présentant un temps de réponse mportant (les actons sont alors réactves, c'est-à-dre drgées par les données, plutôt qu'antcpatves) ; - une dffculté à trater les évolutons exponentelles, c'est-à-dre qu'l y a sousestmaton systématque de l'mportance de certans phénomènes ; - une forte tendance à rasonner selon des séquences lnéares, c'est-à-dre que les effets des actons ne sont pas consdérés sur l'ensemble du processus ; 36/180

37 Chaptre I - Concepton d un SIADG et fablté humane - un "vagabondage thématque et enkystement", qu apparassent dès qu'un problème ne trouve pas de soluton ; le vagabondage est le passage d'un aspect à un autre sans démarche précse, l'enkystement est une focalsaton excessve sur un aspect partculer du problème (De Keyser emploe le terme de fxaton [De_Keyser et al., 1990a]) ; un bas de confrmaton, qu correspond à un phénomène de reet d ambguïté, c'està-dre qu'une préférence est accordée aux nterprétatons dsponbles malgré l'arrvée d'nformatons qu vennent la remettre en queston ; une dffculté à se représenter la causalté, en rason d'une smplfcaton excessve des phénomènes causaux, qu condut à uger sur des crtères de smlarté avec des cas antéreurs, donc à ne pas consdérer l'ensemble des cas possbles ; une dffculté à dagnostquer, drectement lée à la condute de rasonnement ; l'erreur peut provenr d'une mbrcaton néfaste entre assmlaton des symptômes et génératon des scénar qu ont pu condure aux symptômes observés ; une mauvase sélectvté, qu ndque que trop d'attenton est accordée à des caractérstques non pertnentes, c'est-à-dre que l'attenton est absorbée par des aspects psychologquement attrants. Selon Reason, deux types d'erreurs dovent être envsagés : les erreurs actves concernent drectement l actvté des hommes, elles présentent la caractérstque d être récupérables, en ce sens que l homme peut parvenr à corrger ses erreurs avant que leur effet ne se fasse sentr ; les erreurs latentes sont, par exemple, les erreurs de concepton du processus que l homme cherche à contrôler ; leur caractérstque est donc leur permanence. Ce sont des défauts nsdeux dont on peut dffclement quantfer l'mpact. Les expérences menées en psychologe montrent que l erreur actve est présente dans tous les aspects de l actvté humane (posture, parole, actons, résoluton de problème). Des travaux expérmentaux ont également montré que la grande maorté des erreurs sont corrgées avant leur effet sur le processus. Reason cte tros modes de détecton de l erreur : par un écart entre l ntenton et le résultat observé (analoge avec la boucle de rétroacton en automatque), blocage des actons par les automatsmes (ce sont généralement les sécurtés mses en place en concepton ou les règles d ntégrté de l organsaton), et la détecton par un ters (contremaître ou supéreur hérarchque). Selon Reason, la non détecton est susceptble de condure à des conséquences graves, et l étude des accdents du type Three Mle Island ont perms de montrer que certans processus cogntfs sont plus partculèrement responsables de la non détecton d erreurs par l homme. Les travaux expérmentaux relatés par Reason ont un caractère expérmental fort, pusque les résultats ont été obtenus dans des condtons et des contextes dfférents de ceux rencontrés n stu, et les conclusons trées n ont pas une portée générale. Cependant, le résultat qu l faut en trer est le suvant : voulor rédure les erreurs humanes est llusore, l faut plutôt s attacher à se prémunr contre les conséquences possbles d erreurs dffclement corrgées par les hommes, sans une nterventon auxlare. 37/180

38 Chaptre I - Concepton d un SIADG et fablté humane Type de comportement Modes de défallance Récaptulaton basée Causes psychologques "Illuson du pontage" KB Résstance au changement Lmtaton de l'espace de traval Hors de la vue, hors de l'esprt Dffcultés avec la complexté Résstance au changement Prncpe du "premer entré/ premer sort" "Heurstque d'accessblté " Percepton des aspects temporels lmtée Dffculté à trater les "évolutons exponentelles" Forte tendance à rasonner selon des séquences lnéares Vagabondage thématque et enkystement Bas de confrmaton Reet d'ambguté Dffcultés avec la causalté Smplfcaton excessve de la causalté Dffcultés de dagnostc Condute de rasonnement Sélectvté Attenton du suet La typologe de Ncolet Fgure I-12: Erreurs au nveau KB Ncolet a une approche plus spécfquement dédée à la condute d atelers de producton. Il propose une typologe basée sur une approche ergonomque de l erreur et étable à partr des étapes d une tâche ; avec ce découpage, l auteur dstngue sept types d erreurs [Ncolet et al., 1985] : les erreurs de percepton ont des causes multples, par exemple l nformaton n est pas correctement perçue, le sgnal est fugtf et l opérateur n a pas le temps de le percevor ou de le mémorser, l nformaton est masquée par un écran, l nformaton est noyée au mleu d un grand nombre d autres, etc. ; les erreurs de décodage relèvent d une mauvase nterprétaton des ndces sensorels ; le non respect d une procédure est un acte conscent qu peut ne pas se révéler néfaste pour le bon fonctonnement du processus, mas l est le sgne de mauvases habtudes de la part des opérateurs ; les erreurs de communcaton ntervennent lors de l'échange d'nformatons entre agents ; une nformaton peut être mal transmse ou mal comprse par l opérateur qu reçot ; les décsons peuvent ne pas être prses en temps voulu : une fos le dagnostc établ, l opérateur repousse la décson en attendant un complément d nformaton ; 38/180

39 Chaptre I - Concepton d un SIADG et fablté humane les actons mal dosées ou mal adaptées relèvent d une réalsaton ncorrecte d une acton requse, du non accomplssement d une acton nécessare, de l exécuton d une acton mpromptue (non prévue dans la séquence en cours), de l'nverson de l'ordre d'exécuton de deux actons ; les erreurs de représentaton ou de modèle tradusent les écarts qu peuvent exster entre les certtudes de l opérateur et la stuaton réelle La typologe de de Keyser De Keyser propose une approche davantage orentée vers la psychologe du traval. L auteur dstngue quatre grandes classes d erreurs [De_Keyser, 1990b] : erreurs d évaluaton, de coordnaton, d ntégraton et de planfcaton. Les erreurs d évaluaton sont de tros types : les erreurs de fltrage 1 correspondent à des nformatons que l opérateur ne prend pas en compte, par exemple un changement, car l se fonde davantage sur une fable probablté de dérèglement d un paramètre et ne le consulte pas ou car l néglge de l nformaton ; les erreurs dues à une carence ergonomque tradusent les stuatons mal perçues car l opérateur n a pas les moyens d évaluer l apparton n la durée d un événement, l n exste pas de vue synoptque des événements du système ; les erreurs de mode résultent d une mauvase mse en correspondance de quatre modes d appréhenson du temps par l opérateur : ntérorsaton des événements régulers, mode logque (mse en correspondance d'événements et de séquences d'acton), mode causal (événements produts par le processus) et mode de l horloge (les délas et contrantes de producton). Les erreurs de coordnaton dans l équpe de condute sont dues, par exemple, à une charge de traval trop mportante (qu peut entraîner des délas et oubls de transmsson d nformatons), à une mauvase évaluaton temporelle (mauvase connassance de l état général du système), à une dffculté de ondre les personnes à contacter, ou ben à des facteurs psychologques ou organsatonnels (par exemple rétenton d nformaton et conflts). Les erreurs d ntégraton concernent spécfquement les décsons d'actons d'austement des actons de l équpe en foncton de retards ou d avances au nveau de la producton. Elles se caractérsent par une évaluaton correcte de la stuaton, mas à une erreur dans la prse de décson, par la dffculté de l'opérateur à suvre les dfférents événements qu consttuent le processus, ou encore par des dffcultés à ntégrer les actons de l'équpe avec les événements du processus. Enfn, les erreurs de planfcaton apparassent lorsqu un écart trop mportant entre déroulement temporel prévu et déroulement actuel requert de la part de l opérateur, seul ou en accord avec sa hérarche, la prse de décsons bouleversant la planfcaton ntale. Ces décsons portent généralement sur des modfcatons de l ordre des événements ou de leur durée. Elles sont caractérsées par une mauvase évaluaton de l état temporel du système, une mauvase connassance des contrantes fxes et des zones de flexblté, et une mauvase connassance des lens de causalté entre événements ou actons. 1 Toute l nformaton de l envronnement de traval n est pas prse en compte par l opérateur et l ne retent que ce qu est mportant pour lu. L erreur provent du fat qu l néglge certanes nformatons au proft d autres qu l consdère relever davantage de l état de marche du système. 39/180

40 Chaptre I - Concepton d un SIADG et fablté humane Caractérstques de ces typologes Les typologes de Ncolet et de de Keyser sont orentées supervson de processus de fabrcaton. Celle de de Keyser est prncpalement centrée sur la descrpton des erreurs cogntves (évaluaton, ntégraton, planfcaton), alors que celle de Ncolet décrt plus spécfquement les erreurs commses au nveau des étapes d une tâche (percepton, décodage, représentaton, décson, défnton de procédures, acton, communcaton). La typologe de Reason s ntéresse plus partculèrement aux mécansmes de producton de l'erreur et propose une explcaton psychologque à leur occurrence ; elle a une portée plus générale que les deux autres et n'est pas spécfque à la condute de processus ndustrels. Ces typologes répondent, en fat, à des obectfs spécfques [Benkhannouche, 1996] : pour Ncolet, l s'agt d'avor une typologe utlsable par l'ergonome, c'est-à-dre qu mette l'accent sur les traces de l'erreur, de façon à permettre de proposer des solutons ergonomques ; pour de Keyser, la typologe d'erreurs dot prendre en compte la dmenson temporelle de l actvté de condute ; pour Reason, l s'agt de recenser les causes psychologques des erreurs commses, en condute de processus ndustrel comme dans les stuatons de la ve quotdenne Instancaton à l actvté de décson en organsaton Le découpage du processus de la décson selon tros dmensons de l actvté humane, collectve, cogntve et opératore permet de regrouper les erreurs humanes. La dmenson collectve ou socale tent compte des erreurs dues à des problèmes de coordnaton entre les membres de l organsaton mplquée dans le processus décsonnel. La dmenson cogntve, qu regroupe les aspects austement, adaptaton et antcpaton dans le processus décsonnel est exposée aux erreurs d évaluaton (mauvase nterprétaton des observatons ; nformatons que le décdeur ne prend pas en compte parce qu elles sont assocées à des événements dont la probablté d occurrence est fable, à des valeurs dont une varaton sgnfcatve lu semble mprobable : le décdeur ne va donc pas s en enquérr et néglger n plus n mons cette nformaton ; dentfcaton défcente de la causalté des événements), erreurs d ntégraton (nterprétaton correcte de la stuaton mas acton non pertnente, mal augée, effets nopportuns ; ncohérence entre le temps de réponse des mesures mses en place et la réalté de la stuaton ; ncapacté à évaluer le temps de réponse de l acton entreprse) et erreurs de planfcaton (mauvase antcpaton des évolutons et mauvas chox de la stratége d acton ; ncapacté à estmer la durée d une crse, les délas et contrantes lés à l urgence ; mauvase évaluaton de la nature de la stuaton (stuaton de routne, de maîtrse, de crse, d excepton)). Enfn, la dmenson opératore, qu tent compte des actons, des procédures Les erreurs qu peuvent être commses c relèvent spécfquement d une mauvase réalsaton des plans d actons. Cette classfcaton résulte essentellement de la fuson des typologes proposées par Ncolet mportance de la représentaton et de la compréhenson de la stuaton de décson et de Keyser complexté de l nterprétaton de la stuaton lée aux aspects dynamques du processus décsonnel. Ces deux ponts essentels sont à l orgne des fonctonnaltés de notre SIADG. Le Tableau I-3 propose de classer les éléments bblographques évoqués dans la secton précédente concernant la décson vue par les SHS selon notre typologe d erreurs. Sur la base de cette typologe d erreurs, on peut alors se fare une dée plus précse des ades nformatsées à spécfer ans que de leur «spectre d acton» pour l ade à la décson. 40/180

41 Chaptre I - Concepton d un SIADG et fablté humane Erreurs de Répartton des rôles et tâches mal défnes Coordnaton Problèmes relatonnels Organsaton rétve qu sélectonne ou favorse tel ou tel scénaro en foncton de ses ntérêts Il n y a pas de décson, un décdeur, mas une sére de stratéges et de comproms entre les ponts de vue, entre des groupes qu ne partagent pas la même soluton Erreurs Dsparté, dsperson et dvergence des opnons dffclement contrôlables (conflt de préférences) d évaluaton Multplcté de ratonaltés dfférentes qu s mbrquent, se superposent, se confrontent (affrontement de logques décsonnelles) Incerttudes épstémques, état des connassances ugé nsatsfasant Prncpe de la ratonalté lmtée Les nformatons dsponbles sont généralement ncomplètes, mprécses ou contradctores Même lorsqu l y a un exécutf unque, l s appue sur des solutons concrètes dont la formulaton détallée, technquement consttuée, n est pas son œuvre. Des groupes ters fournssent ces solutons, élaborent les optons et assurent leur légtmté opératonnelle L argumentare est un ncontournable exercce de rhétorque pour légtmer une décson engageant un collectf d acteurs La lste est longue des bas cogntfs auxquels les drgeants sont exposés. Les problèmes stratégques, par leur mportance, leurs ambguïtés, leur sngularté, favorsent les erreurs et les désllusons Le drgeant n aborde pas les stuatons d un œl verge. Il a notamment des représentatons de ce qu est mportant ou non, de ce qu l convent de fare ou non. Il s appue sur des règles et prncpes qu sont pour lu des évdences, mas qu pour l'observateur apparassent comme des croyances, c est-à-dre des manères de penser dont la valdté n est pas démontrée Un problème stratégque est touours une confguraton complexe de fats et d nterprétatons Les bas cogntfs que subt le décdeur sont de quatre types : l'acquston de l'nformaton, le tratement de l'nformaton, l'expresson de la réponse, l'nformaton qu'l reçot en retour Percepton sélectve du décdeur, tratement séquentel, capactés de calcul et de mémorsaton lmtées, sensblté aux caractérstques de la tâche, acton sur l'envronnement Au leu d'être algorthmque l'actvté mentale du décdeur est heurstque : les procédures mses en œuvre sont habtuellement effcaces mas n ont pas nécessarement de ustfcatons rgoureuses La décson ne peut être ramenée à la norme du calcul parce que le calcul néglge la complexté, c est-à-dre l exstence de crtères d évaluaton multples ; le calcul néglge le suet connassant qu nterprète l nformaton Ce n est pas l nformaton brute qu sert à décder mas plutôt le sens qu a cette nformaton. Une nformaton ne dt ren de ce qu l faut fare, seule son nterprétaton l ndque. Son nterprétaton, autrement dt le sens qu elle prend ou pas pour une personne. Le sens de l nformaton n est amas contenu dans l nformaton elle-même Erreurs Incerttudes générées par l envronnement quant aux temps de réponse des actons envsagées d ntégraton La décson peut être un processus long et enchevêtré (boucles cogntves, causaltés enchevêtrées) Dans une décson de groupe, s l n y a pas nécessté d aboutr à une décson commune (comproms), les membres d un groupe débattent de leurs opnons personnelles, mas sans chercher à retravaller cogntvement les opnons exprmées par les autres, ce qu peut pénalser la dynamque d obtenton d un consensus L obectf d un consensus ne dot pas être de supprmer les conflts, mas de les tolérer. Plus les optons ndvduelles sont varées, plus la confrontaton est mportante et plus la reformulaton du problème peut devenr explcte. La dynamque de consensus est foncton de l ntellgence de cette phase de délbératon La décson en organsaton n obét pas à un modèle ratonnel lnéare, de nombreuses tératons sont nécessares entre les phases d nformaton, de représentaton et de sélecton L'ordre dans lequel les nformatons sont présentées peut produre des effets dts de prmauté ou de récence. Les premères ou les dernères nformatons ndusent la décson fnale Erreurs de Incerttudes générées par l envronnement, mprédctblté de la réacton de l envronnement planfcaton Entre les ncerttudes générées par l envronnement, les dérves organsatonnelles, les croyances des drgeants, y a-t-l une chance de vor se former des décsons stratégques sensées et cohérentes? Les processus qu fabrquent la stratége s écartent souvent de la ratonalté mse en scène par le drgeant décdeur mas cela ne sgnfe pas que le drgeant sot mpussant. Il peut développer des moyens ndrects de contrôle et d nfluence allant dans le sens souhaté. Le drgeant peut se poser en arbtre régulateur des conflts nternes et favorser les proets et les acteurs qu sont compatbles avec ses propres préférences et ses propres ambtons. Ans, par la mse en place de structures et de systèmes de geston, ls défnssent des règles du eu qu peuvent ndure une dynamque Les événements stratégques non prévus consttuent des mses à l épreuve du paradgme stratégque, des tests de la capacté du drgeant à mantenr l entreprse sur une traectore favorable. Ils sont auss pour les drgeants l occason de fare évoluer le paradgme : redéfnr ce qu dot être tenu pour vra et ce qu dot être tenu pour bon, et réorenter les forces qu façonnent la stratége du groupe La capacté à produre une stratége émergente à partr d un flux de décsons et d événements apparemment dsonts est une des premères condtons de surve pour l organsaton où le drgeant est devenu un arbtre plus qu un décdeur mythque. Il convent de dstnguer l évdence et la pertnence. L évdence relève d une cohérence nterne, d une compatblté avec une structure logque ; la pertnence relève d une cohérence externe, d une compatblté avec une stuaton extéreure Le décdeur n fne sert de détonateur à l élaboraton de nouvelles poltques au sens large du terme Erreurs d exécuton La formulaton de la stratége serat l apanage du drgeant et sa mse en œuvre serat la msson de l ensemble de l entreprse. Cette dstncton s naturelle occulte le rôle consdérable de l organsaton dans la réalsaton de la stratége Mauvase applcaton des plans d actons Tableau I-3 : Classfcatons d éléments bblographques de la décson vue par les SHS et notre typologe des erreurs humanes 41/180

42 Chaptre I - Concepton d un SIADG et fablté humane Les fonctonnaltés d un SIADG que l on peut spécfer sur la base de cette analyse peuvent être ans répertorées. Les erreurs de coordnaton peuvent être dues à des problèmes de communcaton, de répartton des rôles et des tâches, ou à des problèmes d ordre relatonnels, elles concernent de toute façon la dmenson collectve de la décson. Les améloratons envsageables sont d'augmenter la résoluton collectve de problème, de négocer les conflts et d'nstaurer des relatons de confance entre les membres de l organsaton, des acteurs de la décson. Le comportement collectf pourrat être asssté par des systèmes stmulant une melleure crculaton des nformatons et une melleure répartton des tâches. Ces ades relèvent de l ntellgence collectve, du traval collaboratf [Penalva et al., 2002]. Ans, par la mse en œuvre de systèmes nformatsés de geston, l est possble d ndure une dynamque et une réactvté nouvelles dans l organsaton. La délbératon entre dfférents systèmes de valeurs est favorsée, le traval collaboratf soutenu par une plate-forme nformatsée d échanges des ponts de vue encourage le développement de coaltons, la négocaton de comproms ou l élaboraton de consensus. () Les erreurs d évaluaton peuvent être rédutes par des ades destnées à amélorer la représentaton de la stuaton et la percepton de sa dynamque en partculer. Cela consste à fournr une nformaton compatble avec les modes de représentaton et de rasonnement des acteurs de la décson. Il s agt notamment : de concevor une vértable nterface homme-machne (IHM) pour le SIADG, de manère à présenter aux dfférents acteurs une nformaton pertnente et dynamque par rapport à la stuaton et adaptée à leurs modes de rasonnement, leurs systèmes de valeurs. Les connassances utles à l acton dovent être faclement accessbles, être resttuées de manère synthétque et cohérente avec les modes cogntfs des acteurs : le SIADG dot favorser une lecture auss clare que possble d une stuaton ncertane et souvent ambguë. La décson et l apprentssage sont des processus dynamques qu exgent donc une IHM spécfque de montorng des ndcateurs décsonnels dans le temps ; de permettre au décdeur d évaluer rapdement une stuaton et de l ader à dagnostquer les rsques encourus, c est-à-dre fournr une ade au dagnostc. Le SIADG dot permettre d automatser autant que possble le tratement de l nformaton afn de suppléer autant que possble l être human quant à la combnatore des possbles, la multtude et la varété des opnons. Toute décson dot être accompagnée d une estmaton des rsques attachés à la stuaton qu ls soent dus à une défcence épstémque ou à une forte varablté ou dsperson de l opnon. Cette estmaton ne vaut que s elle est comparée aux autres alternatves de la décson et s ce dagnostc est ustfé par l état des connassances au moment où l acton a été retenue. L évaluaton repose sur un état des connassances que le SIADG dot pouvor fare valor à tout nstant pour soutenr la rhétorque décsonnelle du collectf et almenter le débat. L évaluaton assstée de la stuaton dot canalser la réflexon sur les ponts crtques et ans favorser la dynamque de réducton des ncerttudes épstémques 2. 2 L ncerttude épstémque est l ncerttude relatve au degré de connassance. A une date donnée, l état des connassances détermne la précson et la vrasemblance de l évaluaton de la stuaton et par sute la fablté de la décson qu en découle. Pour parvenr à une stuaton décdable, cette ncerttude devra être dsspée. C est l obet de la condute du processus décsonnel. 42/180

43 Chaptre I - Concepton d un SIADG et fablté humane () Les erreurs d ntégraton révèlent des écarts entre les adaptatons apportées par l organsaton concernant le bon déroulement de la planfcaton et les contrantes temporelles mposées par la stuaton. Une améloraton conssterat à proposer aux décdeurs les moyens de s adapter aux événements perturbateurs qu modfent les condtons dans lesquelles les obectfs peuvent être mantenus ; l peut s agr d une remse en queston de la percepton de la stuaton comme d une modfcaton de la stratége. L ade à l adaptaton consste à proposer aux acteurs de la décson des ndcateurs sur la marche à suvre, c est-à-dre du consel d acton. Le SIADG dot donc être en mesure de proposer la dmenson stratégque sur laquelle agr ou l nformaton à acquérr pour rédure au meux le rsque épstémque et tendre au plus tôt vers une stuaton décdable. () Les erreurs de planfcaton peuvent être levées en fournssant au décdeur les moyens de décder d une nterventon dans les délas mposés par la stuaton. Il semble que les ades correspondantes sont celles qu permettraent de fournr des stratéges basées sur le dagnostc de la stuaton : l ncapacté d attendre un nveau de rsque acceptable avec la stratége entreprse. Ces ades sont dtes ades à l antcpaton. Ce type d'ade dffère notamment de l'ade à l'adaptaton par le fat qu'une stratége mplque que le système d'nformaton sot capable d'évaluer une stuaton au regard des obectfs et des contrantes de la planfcaton. Le SIADG dot donc être capable d antcper qu aucun consensus ne pourra être obtenu pour une stratége défne a pror et que le modèle décsonnel contrantes et obectfs n est pas vable et qu l dot être modfé en conséquence. Cette évolutvté du système de valeurs utlsé par le SIADG dans son module d évaluaton est essentelle car elle lasse entrevor un élément de réponse au problème qu entre les chox énoncés et les résultats proms et attendus, le temps peut être long, et que pendant ce temps, les orentatons prses ne manqueront pas d être contestées ou détournées, à la faveur d événements extéreurs qu sembleront remettre en queston le proet. (v) Les erreurs d exécuton peuvent avor des causes multples, par exemple le non respect de certanes règles organsatonnelles, auquel cas des mesures vsant à supprmer les mauvases habtudes dovent être envsagées. Ces erreurs peuvent également être dues à la mauvase sélecton ou réalsaton d une procédure. Une soluton consste alors à proposer aux dfférents acteurs de la décson des supports pour l applcaton de procédures en partculer en stuaton de crse (condute à tenr en cas d accdent nucléare, d ncende, etc.), des outls pour la valdaton et la vérfcaton du bon déroulement de la planfcaton. Les ades de la dmenson cogntve apparassent essentelles (Fgure I-13). Il s agt d assster les décdeurs dans leur évaluaton d une stuaton multdmensonnelle et mult acteurs avec un état des connassances à un nstant donné. Il faut faclter la resttuton de la logque décsonnelle applquée, en nterne pour soutenr les acteurs dans leurs modes cogntfs d une part, à des fns argumentatves pour un publc externe d autre part. Une fos la stuaton correctement appréhendée, l s agt ensute d assster les décdeurs dans la dynamque à mettre en place pour ne pas lasser au hasard l évoluton de la stuaton, pour poursuvre et fablser leur entreprse de manère cohérente avec leur système de valeurs d une part, pour dagnostquer au plus tôt toute dévance manfeste de l opnon quant aux obectfs fxés. L ade à l évaluaton permet - d estmer la valeur de chaque soluton ; - de les comparer, de les argumenter. L ade à l adaptaton permet de s assurer que les actons entreprses sont cohérentes avec le système de valeurs et la dynamque de la stuaton. L ade à la planfcaton permet de dagnostquer le changement de nature de la stuaton et d antcper une orentaton avec un autre système de valeurs. 43/180

44 Chaptre I - Concepton d un SIADG et fablté humane Les ades à l évaluaton ont clarement un obectf commun : rédure le rsque à prendre une décson avec un état des savors donné le rsque épstémque c est-à-dre gérer la ratonalté lmtée. Le schéma fonctonnel de la Fgure I-14 synthétse l ensemble de ces réflexons dans le formalsme de SADT et propose une descrpton des fonctonnaltés au plus haut nveau du SIADG qu se fonde sur le modèle décrt dans le chaptre suvant. Fgure I-13: L ade à la décson collectve sous l angle de l erreur humane Approfondr les connassances Compléments d nformatons Informatons Données S nformer Adaptaton des paramètres stratégques Changement de stratége Sources d nformatons Évaluer Alternatves Classement des alternatves Explctaton des chox Systèmes de valeurs Logque de décson Adapter Évaluaton des ncerttudes épstémques Antcper Acceptablté Moyens d acton Ensemble de stratéges Alternatve retenue Fgure I-14 : Concepton du SIADG et fablté humane 44/180

45 Chaptre II. Le rôle de l nformaton dans le contrôle d un processus décsonnel Le rôle de l nformaton dans le contrôle d un processus décsonnel 1. Introducton Le modèle S.T.I de H.A. Smon Ratonalté substantve versus ratonalté procédurale Acquston et tratement de l nformaton Synthèse L nterprétaton cybernétque du modèle S.T.I Boucles cogntves et dynamque du processus décsonnel Boucle de rétroacton et contrôle de la dynamque du processus décsonnel La phase d nformaton La phase de représentaton La phase de sélecton La phase de révson Synthèse Concluson /180

46 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel 1. Introducton Ce chaptre présente un modèle de processus décsonnel mult acteurs et multcrtère qu confère à notre SIADG les caractérstques nécessares pour répondre aux spécfcatons requses dans le chaptre précédent. La décson en organsaton est une bonne llustraton des processus décsonnels mult acteurs et multcrtères. Notre modèle s nspre à l orgne du modèle S.T.I (Système de Tratement d Informaton) de H.A. Smon qu donnat à l nformaton un rôle central dans le processus décsonnel d une organsaton. Ic, ce modèle des Scences Humanes et Socales est nterprété dans un formalsme cybernétque où la «vanne de l nformaton» est vue comme l organe de commande de la décson. Le contrôle de l apprentssage de la captalsaton des connassances utles à la décson ndut une dynamque forcée du processus décsonnel. La recherche et le compte-rendu mécansés des éléments décsonnels manpulés dans cette boucle de régulaton reposent sur des technques de «text-mnng» ou foulle de textes. Cette nterprétaton prétend clarement étendre l automatsaton cogntve de l actvté humane à des tâches qu par défnton sont d un haut nveau décsonnel. Nous montrons alors que cette analyse conceptuelle de la décson de groupe conclut à des tratements de l nformaton attendus du SIADG parfatement cohérents avec ceux préconsés dans l approche pragmatque du chaptre précédent : un SIADG dot être tout à la fos un support pour l acquston, le partage et le tratement d nformatons utles à l acton, pour le dagnostc de la stuaton décsonnelle au regard des connassances dsponbles, pour l évaluaton, la comparason et la légtmaton de solutons potentelles, le suv et le contrôle temporels des ncerttudes afférentes à la stuaton décsonnelle et à l état des connassances utles à l acton. Nous sommes néanmons conscents des lmtes et dangers de cette vson un tant sot peu utopque ou tout du mons très déalste de l nformatque décsonnelle poussée à outrance dans l organsaton. Nous ne revendrons pas sur les querelles que le débat sur l automatsaton cogntve a pu engendrer au mleu des années 80. Mas, afn qu l n y at pas d ambguïté quant à notre poston sur ce concept, nous précsons que notre démarche s nscrt dans la perspectve suvante : l automatsaton cogntve exacerbée ne dot être qu un Graal pour l automatcen et l nformatcen. C est pour cette rason que le premer chaptre a d abord proposé une analyse des besons basée sur le retour d expérence des SHS et une concepton de SIADG gudée par l analyse de dysfonctonnements sous l angle de la fablté humane pour donner une lecture rassurante, non pas formelle mas d usage, de notre approche. Nous ne parlons pas de système de décson, mas ben de système nteractf d ade à la décson : même s l on essae dans cette étude de suppléer l être human autant qu l se peut dans le tratement de l nformaton utle à la décson, son rôle d arbtre et d ntervenant ultme dans la décson ne saurat être rems en cause. Le chaptre s organse donc de la façon suvante. Dans un premer temps, nous redonnons les caractérstques fondamentales du modèle de Smon pour la décson en organsaton. La secton suvante synthétse l nterprétaton cybernétque qu Akharraz en a proposée dans sa thèse [Akharraz, 2004; Montman et al., 2006; Planté et al., 2002]. Nous étendons ensute ce traval à un panel de stratéges décsonnelles plus large que celu proposé par Akharraz 3. Cette extenson mathématque permet la généralsaton formelle des concepts de légtmaton et de rsque assocés à une décson et l extenson des fonctonnaltés du SIADG. Dans les 3 A.Akharraz a développé son modèle dans le seul cas où la stratége multcrtère est modélsable par une ntégrale de Choquet. 46/180

47 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel chaptres suvants du manuscrt, cette nterprétaton cybernétque consttue la base de notre modèle, nous pourrons alors nous ntéresser alors plus spécfquement à la «constructon» automatsée d nformatons utles à la décson en nous appuyant sur des technques de foulle de textes, pus proposer les spécfcatons d un actonneur ntellgent à ntégrer dans le modèle cybernétque de Akharraz : une vanne «ntellgente» de l nformaton qu repose sur une ndexaton automatsée de l nformaton dédée à la décson multcrtère. Cette étape fera sauter l ultme verrou la sélecton automatque de l nformaton la plus pertnente pour rédure dynamquement l ncerttude épstémque afférente à une stuaton décsonnelle et confèrera au modèle ntal de Akharraz un degré d automatsaton supéreur pour l ensemble des processus cogntfs mplqués dans la décson de groupe. 2. Le modèle S.T.I 4 de H.A. Smon 2.1. Ratonalté substantve versus ratonalté procédurale Pour H.A.Smon, l'émergence de la décson comme domane d'étude scentfque remonte aux années 1943 et 1948, moment où se créent tros courants de recherche parallèle. Les théores mathématques de la décson centrées autour de la théore des eux, des théores normatves avec J.von Neumann, O.Morgensten et Savage. Cette approche est surtout développée en économe mathématque [Neumann et al., 1944; R. Yager, 1979; Savage, 1972] ; La cybernétque comme scence de la communcaton et de la commande dans les systèmes naturels et artfcels créée par N.Wener en 1948 et vte assocée aux problématques de la recherche opératonnelle ; H.A.Smon à travers sa thèse publée en 1947 "A study of the decson makng process n admnstratve organzaton" [Smon, 1947]. H.A.Smon remet alors en cause le modèle formel et mathématque de la décson encore adopté par la quas-totalté des économstes classques, des chercheurs opératonnels et des spécalstes de geston de producton. Cette vson part du postulat selon lequel chosr de façon ratonnelle, c'est adopter la démarche déductve et analytque de la logque formelle des propostons. Face à un problème donné, l faut nventorer une lste complète des actons possbles, sélectonner par des procédures mathématques la melleure soluton, c'est-à-dre celle qu satsfasse au meux un crtère d'utlté et enfn agr en applquant cet optmum calculé. La référence déale sera celle de l'abelle qu construt une cellule de cre selon une forme géométrque nvarable : un dodécaèdre rhomboédrque dont l'angle de la base est de degrés. Les calculs ne montrent-ls pas que cet angle correspond à la forme optmale qu mnmse la quantté de cre nécessare pour stocker un volume donné de mel! La nature parvent donc à programmer en son sen une procédure totalement ratonnelle, ou optmsatrce. Toute notre cellule cartésenne de la décson est fondée sur ce prncpe "fare auss ben que la nature" laquelle serat logque, ratonnelle et déductve. La recherche opératonnelle, la théore des eux, les calculs statstques procèdent tous de cette démarche déale. Cependant dans la réalté quotdenne, on utlse rarement de telles procédures. La réflexon de Smon a conssté à remettre en cause cette démarche en proposant une concepton alternatve des processus de décson dans les organsatons. D'abord l faut remettre en cause l'dée selon laquelle la décson est une réponse précse à un problème donné, prédéfn. La décson est un processus où problème et réponse se construsent en même temps. Smon ne parle pas de la décson mas de "decson makng 4 Système de Tratement de l Informaton 47/180

48 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel process". La premère phase de la décson consste à dentfer la nature de la queston à trater. Parfos la décson condura à changer les données du problème. Le second apport de Smon concerne la concepton et l'évaluaton des solutons alternatves possbles. L'exemple qu'l cte est celu des oueurs d'échecs. Aux échecs, l est mpossble à un cerveau human, n même à un ordnateur d'envsager toutes les combnasons possbles. Les oueurs utlsent donc des heurstques, stratéges hables, rasonnées, et non pas une procédure algorthmque qu conssterat à passer en revue la lste complète des solutons. Pour la plupart des problèmes de la ve quotdenne, nous mettons en œuvre de telles heurstques, c'est-à-dre des rasonnements plausbles mas non certans (des nférences plutôt que des déductons). Parfos même, l arrve qu'une démarche de la pensée vole les prncpes de la logque déductve formelle et sot pourtant effcace. L'argumentaton de fond de Smon est donc d'abandonner ce concept de stratége optmale. Premèrement, l est très rare que nous soyons dans une telle stuaton avec un seul crtère. Et à supposer que l'on sot dans une telle stuaton, on a rarement la capacté cogntve de trater les mllards d'nformatons et de solutons possbles. Smon a longtemps médté sur le concept de ratonalté avant de proposer un dagnostc. Il a pendant très longtemps utlsé le concept de "Bound ratonalty" tradut habtuellement par ratonalté lmtée et qu renvoe à l'dée d'une connassance mparfate, ou bornée que le suet a de son envronnement. Dans les années 70, Smon préfère opposer le concept de ratonalté substantve, qu est le rasonnement formel, analytque et déductf à la ratonalté procédurale qu correspond à la façon dont l'être human condut fort correctement sa rason en relant sans cesse ses ntentons et ses perceptons du contexte dans lequel l rasonne. Il y a une sorte de renversement. Ce n'est pas la ratonalté procédurale qu est lmtée mas plutôt la ratonalté déductve. La ratonalté déductve ou substantve ne correspond qu'à une pette parte des formes possbles du rasonnement human. Il s'agt d'élargr l'évental des formes de rasonnement possbles sans se lmter au seul rasonnement déductf. L'étude de la ratonalté procédurale ouvre un mportant champ d'études. Il est explqué auourd'hu par les théores de l'argumentaton, la nouvelle rhétorque, ou encore certans courants de la psychologe cogntve. On n'est plus dans le cadre de la déducton formelle mas dans celu de la capacté de l'esprt à produre des solutons rusées, malceuses pour résoudre les problèmes. Avec l'essor actuel des scences de la cognton se développent auourd'hu de nouvelles réflexons épstémologques des scences de la complexté, etant ans les bases des "Nouvelles scences de la décson" [Smon, 1991] Acquston et tratement de l nformaton Pour Smon, les modèles mathématques utlsés en partculer en scences économques présente une concepton qu se caractérse par quatre trats : gnorance des phases d ntellgence et de concepton, dont le résultat est supposé fare parte des croyances du décdeur dès le départ (ensemble des possbles, forme du problème) ; la phase de sélecton est ugée suffsante pour modélser la décson ; gnorance de la phase de blan, même pour un smple bouclage sur la phase de sélecton, pusque celle-c est seule modélsée, et «lnéarté», en conséquence, du rasonnement ; recours à une modalté de ratonalté forte pusque optmsant le crtère (unque) retenu («utlté» pour le consommateur, proft pour le producteur) ; réducton de la complexté du système de plotage par la sorte d hypostase du décdeur. Une telle concepton de la décson, même en se plaçant dans l hypothèse d avenr certan, semble auourd hu dffclement ustfable sauf dans des cas ben spécfques. En effet, on 48/180

49 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel peut fare valor que ce modèle «tradtonnel» de la décson ndvduelle peut être utlsé à des fns prescrptves dans les domanes purement technques, et en partculer pour la geston à court terme d un parc d équpements ou d un chanter. Les phases d ntellgence et de concepton sont alors souvent trvales, et les quatre hypothèses mplctes relevées plus haut peuvent être admses au mons en premère approxmaton. C est sur ce créneau spécfque de la geston de la producton et de la geston fnancère que fleurssent, surtout depus les années cnquante, les nombreux modèles de la recherche opératonnelle et du calcul économque dont les apports ne sauraent être dscutés. Il en va tout autrement dans le cadre de la décson organsatonnelle où le vocable «système de tratement de l nformaton» (S.T.I) permet de désgner commodément la lgnée des modèles ssus de la pensée de H.A.Smon. Cet ensemble de propostons se fonde sur quatre remarques crtques vs-à-vs des applcatons un peu hâtves du modèle de concepton précédent. Les décsons ne sont pas toutes de même nature n de même nveau. Certanes sont telles qu un automate, correctement nformé et programmé, est en mesure de les prendre auss ben vore de façon plus fne que l homme lu-même, dont la capacté purement combnatore est sngulèrement lmtée. On les appellera décsons «programmables». Mas, dès lors notamment que des ensembles humans ou des nterfaces hommes-machnes sont concernés, les décsons sont de l ordre du «non-programmable». Gommer les phases d ntellgence et de concepton du processus de décson est alors une réducton nacceptable. De façon plus générale encore, une concluson dentque s mpose lorsqu on remarque que les ensembles de possbles ne sont amas facles à explorer. Or le melleur général n est sans doute pas celu qu réalse le dosage optmal entre ale drote et ale gauche sur un terran donné, mas celu qu sat magner une possblté stratégque de plus, permettant d accroître sa palette de tactques. Il en va de même du chef d entreprse, du préfet, ou du couple élevant ses enfants. Les phases d ntellgence et de concepton sont vértablement les phases clés du processus de décson. On pourrat se donner pour programme de recherche de tenter de formalser la démarche décsonnelle à travers toutes les phases évoquées. Mas on buterat très vte sur des dffcultés de calcul nextrcables. Une autre voe consste à essayer plutôt de représenter et d amélorer la façon dont les hommes utlsent leurs capactés de rasonnement et de tratement des nformatons. Au leu de chercher à désgner une décson ambtonnant d être optmale, l est plus modeste dans les obectfs, mas peut-être plus effcace pour le résultat, de chercher à user d une procédure de tratement de l nformaton et de rasonnement plus satsfasante. La ratonalté «lmtée» ou «procédurale» vent ans se substtuer à la ratonalté optmsante et «substantve». Enfn, le fat qu on se place dans le cadre d une organsaton comportant évdemment des servces, des départements, etc., non totalement ntégrés ntrodut une contradcton avec la nécessté, pour optmser de façon sgnfcatve, de trater smultanément dans le temps et partout dans l organsaton l ensemble des nformatons dsponbles. Les problèmes de délégaton et de coordnaton se heurtent, là encore, à d nextrcables dffcultés. Auss, dans le modèle S.T.I., les dfférentes phases de la décson ne se présentent-elles pas de façon lnéare, mas en boucles. De nombreuses tératons sont nécessares, au vu de la fable capacté de tratement de l nformaton des hommes et de la complexté des problèmes de décson, avant qu un terme pusse être apporté au processus de décson. Davantage encore, chacune des phases engendre des sous-problèmes qu, à leur tour, appellent des phases d ntellgence, de concepton, de sélecton et de blan. Les phases sont ans des «engrenages d engrenages». Par alleurs, le processus de décson est ms en œuvre, dans une organsaton, par un système de décson, lu-même complexe et dont l hypostase du décdeur peut donner une 49/180

50 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel représentaton mutlante et être une source d erreurs de décson s elle condut à gnorer les dffcultés de communcaton et de coordnaton. Le modèle S.T.I nsste en défntve sur les aspects cogntfs de la décson, l acquston et le tratement de l nformaton apparassant comme plus mportants pour prendre une «bonne» décson que la recherche fne llusore d une décson en apparence «la melleure». La noton d organsaton est centrale dans la ustfcaton de ce modèle. Il y a encore une dzane d années, la mse en œuvre du modèle S.T.I de Smon aurat pu être résumée comme sut. Les technques de mse en œuvre du modèle S.T.I sont prncpalement celles de l nformatque, et notamment des Systèmes Interactfs d Ade à la Décson (SIAD). Ceux-c consttuent une nterface entre un ordnateur et une ou pluseurs personnes (SIAD ndvduel, ou SIADI ; et SIAD de groupe ou SIADG). Sur la «machne», on mplante sot un algorthme, correspondant à la phase de sélecton, sot un système heurstque pouvant ader à la créatvté (ade à la phase de concepton) ou, de façon plus ambteuse, utlsant une base de connassances (système expert). Dans tous les cas de fgure, le système mplanté en machne est consdéré comme n «apportant» pas «la» soluton, mas comme ouant le rôle d amplfcateur cogntf, mettant l accent sur une ou pluseurs phases du processus de décson. Dans ce qu sut nous montrons que les avancées technques et technologques des systèmes d nformaton de ces dernères années, couplées à un vértable accompagnement mathématque et nformatque des processus cogntfs collectfs semblent défntvement donner rason à H.A.Smon et nous proposons une mse en œuvre pratque du modèle S.T.I pour la réalsaton d un SIAD collectf basé sur le couplage d un système de tratement d nformatons dynamque et d un système d évaluaton multcrtère Synthèse Les fondements de la théore de Smon reposent sur les remarques suvantes : Le décdeur ne possède pas en fat une connassance totale de la stuaton, d où le terme de «ratonalté lmtée» cher à H.A. Smon et ses lmtatons dans la connassance des fats et hypothèses provennent prncpalement des contrantes de l organsaton qu sélectonne ou favorse tel ou tel scénaro en foncton de ses ntérêts. Dans sa théore du surcode [Sfez, 1992], le poltologue L. Sfez montre que derrère l mage trompeuse d une décson conscente et unfée, l y a en fat une multplcté de ratonaltés dfférentes qu s mbrquent, se superposent, se confrontent. La décson optmale apparaît dénuée de sens dans une évaluaton multponts de vue et mult acteurs ; L ncapacté (en tout cas la capacté lmtée) de l homme à trater l ensemble des flux d nformatons mprécses, ncertanes, ncomplètes et contradctores nécessares à la décson semble montrer que la soluton pour une ade à la décson effcace relève, dans ce cas, des systèmes de tratement de l nformaton. L acquston et le tratement de l nformaton apparassant comme plus mportants pour prendre une «bonne» décson que la recherche fne et llusore d une décson en apparence «la melleure» qu se fondera nécessarement sur des hypothèses et des smplfcatons de représentatons ; Selon le modèle de la ratonalté lmtée, le décdeur est naturellement tenté de s orenter vers une approche monocrtère, occultant la prse en compte de la complexté de la réalté. L approche multcrtère de l ade à la décson permet de paller cette restrcton en augmentant le nveau de réalsme et de lsblté donné au décdeur [Roy et al., 1993] [Slownsk, 1998] ; Les dfférentes phases de la décson ne se présentent pas de façon lnéare, mas en boucles. De nombreuses tératons sont nécessares, au vu de la capacté cogntve des hommes et de la complexté des problèmes de décson, avant qu un terme ne pusse être 50/180

51 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel apporté au processus de décson. Phases d ntellgence (Intellgence), de concepton (Desgn), de sélecton (Choce) et de blan (Revew) se succèdent sans logque chronologque préétable possble (modèle IDCR de H.A.Smon) (vor détals secton suvante). Ces prescrptons sont ben cohérentes avec les résultats du chaptre précédent concernant les apports attendus d un SIADG. On y retrouve, de façon centrale, le prncpe de la ratonalté lmtée (ncerttude épstémque) qu recouvre bon nombre des bas cogntfs lés à une mauvase percepton de la stuaton ou à une mauvase nterprétaton de celle-c, à la complexté d une évaluaton multdmensonnelle de la stuaton par un groupe d acteurs n ayant pas nécessarement les mêmes ntérêts et valeurs, à une mauvase appréhenson du temps ou de la causalté des événements, à une vson lnéare du processus de décson, à une mauvase apprécaton de la nature de la stuaton ou de la réacton de l envronnement, et par sute l applcaton d une stratége d acton napproprée, etc. 3. L nterprétaton cybernétque du modèle S.T.I 3.1. Boucles cogntves et dynamque du processus décsonnel H.A.Smon [Smon, 1997] dstngue quatre phases dans le processus de décson [Lévne et al., 1989], [Turban, 1993] : la recherche d'nformaton, la concepton, le chox et la révson. L'nformaton ou le rensegnement (ntellgence) Il s'agt d'dentfer les obectfs ou buts du décdeur, c'est-à-dre de défnr le problème à résoudre. Pour cela, l est nécessare de rechercher les nformatons pertnentes en foncton des questons que se pose le décdeur. L'acquston d'nformatons pertnentes pendant cette phase peut se poser elle-même en termes de décson. En effet, ces nformatons pertnentes sont à l'orgne du processus de décson et leur chox est crucal. Elles nfluencent fortement les autres phases pusque tous les chox suvants en découlent. L apport technque de cette thèse est prncpalement consacré à cette phase ; La concepton (desgn) Cette phase comprend la génératon, le développement et l'analyse des dfférentes sutes possbles d'actons. Le décdeur construt des solutons, magne des scénaros, ce qu peut l'amener à rechercher de l'nformaton supplémentare. Pour cela, l va être nécessare de chosr un ou pluseurs modèles de décson en foncton de la complexté du problème à trater. Pour le ou les modèles chos(s), l faut détermner les varables de décson, la sélecton des prncpes de chox (crtère d'évaluaton), ans que les relatons mathématques ou symbolques ou qualtatves entre ces varables et construre les dfférentes alternatves ; Le chox (choce) Pendant cette phase, le décdeur chost entre les dfférentes sutes d'actons (solutons) qu'l a été capable de construre et d'dentfer pendant la phase précédente. Il faut détermner les crtères d évaluaton des dfférentes solutons envsageables et étuder ou mesurer les conséquences de chaque alternatve. L'évaluaton des alternatves et le chox fnal dépendent du type de crtères utlsés. Par exemple, trouver la melleure soluton, une soluton assez bonne ou satsfasante, prendre des rsques ou non, mnmser des regrets ou un manque à gagner ou maxmser des gans, etc. Cette phase nclut la recherche, l'évaluaton et la recommandaton d'une soluton approprée au modèle. La révson (revew) Cette phase est souvent néglgée, ben qu essentelle dans le modèle de Smon, en partculer dans le cas où la décson s'ntégrerat dans un processus dynamque. De nouvelles nformatons pertnentes peuvent nfluencer tel ou tel chox, vor le modfer complètement. 51/180

52 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel Ce processus de décson IDCR (Intellgence-Desgn-Choce-Revew) est rarement séquentel, l peut y avor des «retours en arrère» ou boucles, c'est-à-dre qu à chaque phase, on peut être amené par exemple à générer une nouvelle alternatve ou encore à rechercher de nouvelles nformatons, pus ensute modfer le ou les modèles choss, etc. (Fgure II.1). La présence de ces boucles pendant les processus de décson dépend du nveau de structuraton du problème de décson (contrantes). H.A. Smon parle de causaltés enchevêtrées. Rensegnement Concepton Chox Révson Fgure II.1: boucles cogntves dans le modèle IDCR de Smon 3.2. Boucle de rétroacton et contrôle de la dynamque du processus décsonnel La phase d nformaton Supposons donc qu une organsaton se sot dotée d un ntranet qu lu permette de partager dfférentes bases de connassances réputées être utles à la décson que l organsaton souhate prendre. L ntranet et ses bases de connassances consttuent un système de geston dynamque des connassances (SGDC) 5 qu permet de contrôler l évoluton du corpus de connassances partagé et produt par le collectf sur le problème à résoudre. Un processus cogntf d apprentssage collectf s opère sur cette mémore partagée en expanson et acquert alors une dmenson dynamque. L échange de ponts de vue «méter», de systèmes de valeurs, d ntérêts ou de cultures, trouve ans une structure dynamque qu favorse la réactvté, la délbératon et l argumentaton et qu, n fne, peut modfer la dynamque du processus d apprentssage collectf. L apprentssage d un savor et d une mémore collectfs est le processus cogntf supporté par le SGDC : cet élément technque est une réponse possble à la phase d nformaton du modèle de Smon. Dans ce qu sut, l est montré en quo l consttue également un support naturel pour l évaluaton des alternatves potentelles, la sélecton et la ustfcaton d une alternatve. Conformément à la pensée de Smon, le prncpe est d amélorer la façon dont les hommes utlsent leurs capactés de rasonnement et de tratement de l nformaton. On ne cherche pas une soluton nécessarement optmale mas satsfasante au sens d «argumentable», ustfable ; plutôt qu un comproms, on cherche un consensus. L'utlsaton du SGDC donne une certane transparence à la décson, une melleure lsblté de la logque décsonnelle : en proposant un cadre et une nstrumentaton explctes pour les processus cogntfs collectfs d apprentssage, d'argumentaton, de délbératon, de concertaton et de sélecton, elle permet (tant dans l'aspect geston des connassances que dans la décson elle-même) de favorser l'échange hérarchque et transversal de données, d'nformatons, de connassances et de décsons à travers une modélsaton systémque et mathématque des lens de subordnaton et de coordnaton qu lent les acteurs d'un processus de décson organsatonnel. 5 Nous revendrons dans le chaptre suvant sur la noton de geston dynamque des connassances. 52/180

53 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel La phase de représentaton Parm les bases de connassance gérées par le SGDC, on dstngue plus partculèrement les connassances qu exprment un ugement de valeur de leur auteur relatvement à une alternatve canddate et une perspectve d analyse. Ces connassances qu exprment le postonnement d un acteur sont des éléments de rhétorque drectement utles à la décson ; ls sont l nterprétaton d nformatons, de données ou de savors dans le cadre des obectfs supportant le processus de décson. Ce sont des connassances actonnables (CAs). Nous revendrons plus en détal sur cette noton dans le chaptre suvant, mas pour l nstant nous nous contenterons d assmler une CA à un score, expresson quanttatve du ugement de valeur qu elle exprme. Par alleurs, lorsque l évaluaton globale d un obectf est complexe, l est nécessare de décomposer l obectf à attendre en en structurant l ensemble des crtères d évaluaton. L approche multcrtère de l ade à la décson augmente le nveau de réalsme et de lsblté donné au décdeur [Pomerol et al., 1993]. Construre un modèle prenant explctement appu sur pluseurs crtères, tradut et formalse, un mode de rasonnement ntutf et naturel face à un problème de décson qu consste à analyser séparément chaque conséquence [Roy, 1985]. L espace d évaluaton Les prncpes de partage des connassances et de réactvté aux opnons exprmées par des acteurs de méter, de culture et/ou de foncton très dfférentes orentent ustement notre SIADG vers des outls de décson multcrtère. L aspect cogntf de l approche mplque que l on dot porter autant d attenton à la sémantque des opérateurs mathématques d agrégaton ou de fuson multcrtère qu à leurs proprétés mathématques [Dubos, 1983; Dubos et al., 1985; J-L. Konng, 1990]. Avant de donner quelques éléments mathématques dans la sous secton suvante sur la fuson et l agrégaton multcrtère, ce paragraphe est destnée à explquer comment les CAs sont utlsées dans le processus de décson [Montman et al., 2002]. Pour évaluer les alternatves que le processus de décson fat émerger, l est nécessare de défnr un espace de représentaton : une grlle d évaluaton des alternatves potentelles examnées selon un ensemble de crtères (Fgure II.2). Il est possble de donner une structure hérarchque à l ensemble des crtères d évaluaton utlsés. Exemple : La Fgure II.2 propose l évaluaton de 12 flms examnés selon 4 crtères. Un code de couleur a été préféré à une échelle numérque pour des rasons d nterface homme/machne. Le vert foncé exprme une plene satsfacton, le rouge vf une décepton totale. On peut magner sur cet exemple que les CAs sont des crtques de cnéphles recuelles sur le web. 53/180

54 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel Fgure II.2: Un exemple de grlles d évaluaton par les CAs L'dée de base de cette évaluaton multcrtère du proet est de se référer à la théore du chox collectf en dentfant les crtères à des votants et les concepts envsagés pour le proet à des canddats à élre. On cartographe alors les ugements de valeurs ou scores partels assocés aux CAs dans cette grlle, ce qu permet de prendre en compte les ntenstés de préférence des votants : chaque vote est une évaluaton d une alternatve vs-à-vs d un crtère. L évaluaton globale d une alternatve son score correspond à l agrégaton des apprécatons partelles qu elle a obtenues selon chaque crtère et son obtenton est donc assmlée à une procédure d électon par les crtères. Qu un électeur sot un crtère et non un ndvdu permet d évter l écuel de la multplcté et de la varablté des acteurs du proet. La CA ou plutôt le score qu elle porte est vue comme la vox ou le bulletn de vote utlsé par un crtère vs-à-vs d une alternatve. La CA cartographée, partcpe par le ugement de valeur qu lu est assocé à l évaluaton d une alternatve canddate dès lors qu elle est ncorporée dans la base de connassances du SGDC l urne (Fgure II.3). Agrégaton mult-crtères CONCEPTS CANDIDATS Cp1 Cp2 Cp3 Cp4 Cp5 Cp6 Cr1 Cr2 Agrégaton mult-concepts PROCESSUS D EVALUATION Cr3 Cr4 Cr5 ETUDES ANALYSES DOC DOC DOC DOC EC CA CA EC EC CA Fgure II.3: Le processus de vote Parce qu un système de notaton numérque dans l évaluaton d une alternatve selon un crtère nous est apparu dffcle à mettre en œuvre, nous avons opté pour une palette de couleurs plutôt qu une notaton purement quanttatve : un rouge vf ndque l ncompatblté de l alternatve avec le crtère alors qu un vert prononcé exprme une adéquaton parfate. 54/180

55 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel La palette de couleurs dépend ben sûr de la granularté de l échelle d apprécaton que l on souhate ou que l on est capable d exprmer. Une grlle de ce type permet donc d'évaluer quanttatvement à chaque nstant chaque alternatve selon un crtère. L opératon peut ben sûr être répétée selon une fréquence d échantllonnage adaptée à la dynamque du processus d apprentssage ou de façon événementelle lorsqu une CA ou des CAs sont ntrodutes dans la base. On a ans la possblté de suvre dans le temps les évaluatons partelles de chaque alternatve relatvement à chaque crtère, mas auss, de manère plus synthétque, l évaluaton globale d une alternatve, synthèse au sens d un opérateur d agrégaton des scores partels obtenus selon chaque crtère. Exemple : La Fgure II.4 reprend l exemple de l évaluaton des 12 flms et propose l évoluton de leur évaluaton globale dans le temps usqu au temps courant «27 avrl 2003 à 04h00» avec une pérode d échantllonnage de 4h. Fgure II.4: Suv de l évaluaton globale des solutons envsagées dans le temps Agrégaton multcrtère Cadre et actants de la procédure de vote défns, l reste à précser le processus ou mode d électon, autrement dt la façon dont sont composés et agrégés les scores des CAs. Cette agrégaton porte dans un premer temps sur la combnason des ugements de valeurs des CAs se rapportant à une seule et même case de la grlle d évaluaton (crtère ; alternatve ). L évaluaton globale d une alternatve nécesste ensute l agrégaton de toutes ses apprécatons partelles selon chaque crtère. Il exste dfférents opérateurs mathématques qu permettent de modélser cette procédure d agrégaton, les dfférentes proprétés qu'une procédure de vote peut satsfare. Nous rappelons dans un premer temps la termnologe et les condtons mnmales nécessares dans cette secton pour défnr un problème d agrégaton multcrtère cardnale. S : ensemble d alternatves (solutons, proets, actons, optons ) parm lesquelles le décdeur dot chosr ; C : ensemble des crtères permettant d évaluer les alternatves. X=[0,1]: l ensemble des degrés de satsfacton (ou évaluatons partelles). 55/180

56 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel Nous consdérons l ensemble fn des p crtères C= { c 1, c 2,..., c p }, P(C) l ensemble des partes de C, x = ( x 1, x 2,..., x p ) représente les valeurs numérques de satsfacton des crtères, de sorte que, x est le degré de satsfacton du crtère c. On consdère auss l ensemble des alternatves S={ 1, 2 n k s s,..., s }. A chaque alternatve s S k est assocé un profl s =( k 1, k 2,..., k k k x x x p ) avec x l évaluaton partelle de s selon le crtère c. Pour des rasons de smplfcaton des notatons, les valeurs des scores sont exprmées dans l ntervalle [0,1], 1 correspond à la satsfacton complète d un crtère, 0 exprme la non satsfacton complète. L un des problèmes d ade à la décson multcrtère est d aboutr à un classement des alternatves de la melleure à la mons bonne, au vu de l ensemble crtères, ou tout smplement à trouver la melleure alternatve. Dans l approche cardnale, l obectf est de p construre une foncton :[ 0,1] [ 0,1] k k k 1 p h telle que, pour chaque alternatve k h( s ) = h( x,..., x ), où h(s ) représente l évaluaton globale de l alternatve à tous les crtères, h est l opérateur d agrégaton à détermner. Les alternatves k donc ensute être classées relatvement à leur score h(s ). Les condtons nécessares sur l opérateur h sont les suvantes : h est contnu ; h(0,0,,0) = 0 et h(1,1,,1) = 1 ; (u,v ) [0,1] 2, s u v alors h(u 1,, u p ) h(v 1,, v p ). Groupes homogènes k s : on a k s relatvement k s peuvent Dans ce paragraphe, on consdère que tous les crtères ont la même mportance (partcpent à même hauteur dans notre procédure de vote). Pour une opératon exprmant la satsfacton smultanée des obectfs un axome naturel est : (u1,, u p ), h(u1,, u p ) mn(u1,, up ), c est-à-dre que l évaluaton globale d une acton ne peut être melleure que la plus mauvase des évaluatons partelles. On appellera ces opérateurs des cononctons. Les prncpales cononctons assocatves sont : p p mn(u1,, up ), u et max 0, u p + 1 II-1 = 1 = 1 Un opérateur exprmant la redondance de deux obectfs satsfera un axome dual du précédent : (u1,, up ), max(u1,, up ) h(u1,, up ) c est-à-dre que c est la melleure des évaluatons partelles qu condtonne l évaluaton globale. Ce sont les dsonctons dont une sous-classe mportante correspond aux dsonctons assocatves. Les plus utlsées sont : p p max(u1,, up ) 1 (1 ),, u mn 1, u II-2 = 1 = 1 Une opératon exprmant le comproms satsfera l axome suvant, complémentare des deux précédents : (u1,, u p ), mn(u1,, u p ) h(u1,, u p ) max(u1,, u p ). Notre but est alors de procéder à l dentfcaton de l opérateur h. Cette opératon peut être décomposée en deux étapes. On peut cerner le comportement du décdeur en lu demandant de fournr une apprécaton lngustque du nveau de compatblté entre conséquence et obectf sur un ensemble rédut d actons. Il est alors possble de se fxer rapdement sur le type d agrégaton à employer : cononcton, comproms ou dsoncton. Une fos détermnée l une 56/180

57 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel des tros atttudes fondamentales possbles du décdeur, on peut utlser des famlles de fonctons paramétrées pour affner la détermnaton de l opérateur d agrégaton : le chox de h est ramené à un problème d dentfcaton paramétrque. Les opérateurs cononctfs sont couverts, par exemple, par l opératon de Yager qu défnt une famlle paramétrée d opérateurs : q 1/ q p Yq ( u ) = 1 mn 1, ( ) 1 u pour q > 0 II-3 = 1 p Par exemple : lm q Y q (u ) = mn(u ) et Y1 ( u ) = max 0, u p + 1 = 1 La famlle des conormes assocées permet de couvrr l ensemble des dsonctons : p 1 / q q CY = q ( u ) mn 1, u pour q > 0 II-4 = 1 p q u Les comproms sont couverts par : Ym q ( u 1 ) = = II-5 p Des valeurs remarquables de q donnent la moyenne arthmétque Ym 1 (u ) et la moyenne harmonque Ym -1 (u ) ; lorsque q 0, le comproms est la moyenne géométrque. Les caractérstques symétrques de h n mplquent pas que l agrégaton sot symétrque. En effet, l agrégaton repose sur les ensembles flous décrvant les obectfs partels, et des dssymétres peuvent faclement être ntrodutes en manpulant les fonctons d appartenance. Les fonctons d agrégaton c-dessus peuvent être également généralsées avec des coeffcents de pondératon ou pods pour ntrodure les dssymétres de façon naturelle [Dubos, 1983; Dubos et al., 1985]. Des technques d optmsaton à partr de ces tros famlles d opérateurs permettent de construre des outls d dentfcaton de l opérateur h lorsque l on dspose d une base d échantllons de tests suffsamment rche (en nombre et en dversté des apprécatons partelles). L dentfcaton très précse d une telle opératon est parfos mpossble tant l ncerttude sur le paramètre q est grande. Les résultats d dentfcaton dovent alors être accompagnés d une sensblté et d un pouvor de dscrmnaton afn que l on sot à même d accorder un degré de valdté au résultat lors d une utlsaton en smulaton (recherche d extrêma «très plats»). Avor recours à ces tests de sensblté n'est pas sans mplcaton sur l'nterprétaton sémantque des coeffcents des fonctons d'agrégaton. Cela n nvalde pas l approche pour autant, en effet : une dentfcaton très précse peut être ugée nutle ; seul un certan comportement de l opérateur h peut être souhaté. Cela est à rapprocher du caractère arbtrare des valeurs d appartenance, et de la traducton numérque des ugements éms par le décdeur. Il vaut meux dans ce cas là, se donner un catalogue restrent mas ben dspersé d opératons smples et dentfer h de façon qualtatve en demandant au décdeur de formuler à l ade d une échelle lngustque de ugement (totalement compatble, plutôt compatble,, ncompatble) un ugement global sur chaque acton. s on trouve que pluseurs opératons sont des modèles possbles, on pourra malgré tout tenter de classer les éléments. On pourra ntrodure une ncerttude sur le résultat de l agrégaton. Par exemple s on n a pas pu (ou voulu) dscrmner entre les opératons h 1, h 2,, h t on peut poser : 1/ q 57/180

58 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel ( u 1,..., u p ), h( u1,..., u p ) mnh ( u1,..., u p ),max h ( u1,..., u p ) II-6 = 1, t = 1, t Groupes non homogènes Très souvent on peut admettre que les dfférents crtères selon lesquels on évalue les alternatves n ont pas tous la même mportance (tous les crtères n ont pas la même mportance relatve dans notre procédure de vote). Une façon de modélser cet aspect est d affecter un pods w à chaque crtère. Alors le problème du chox collectf est de trouver des fonctons d agrégaton qu agssent sur l ensemble des profls d ntensté de préférence pondérés. La noton d mportance relatve des crtères (le sens accordé à la noton d'mportance restant par alleurs souvent vague dans la lttérature) condut naturellement à ntrodure des dstrbutons de pods sur les crtères dans le cadre de la théore précédente : p k k k s S, h( s ) = p. u II-7 = 1 La noton de pods peut être transposée sur de nombreux opérateurs d agrégaton comme évoqués précédemment (en partculer les normes et conormes) dès lors que l opératon présente une structure addtve sous-acente [Dubos et al., 1984]. Ans, lorsque h est de la forme Ψ 1 ( Ψ(.) + Ψ(.)), une extenson de l équaton précédente peut être proposée : p 1 1,..., un ) = Ψ ( p pψ( u )) = 1 p h( u où p = 1 II-8 = 1 A ttre d exemple, pour le produt, en posant Ψ = Log, on obtent : _ k k pp h( s ) = Π( u ). = 1 [Cholewa, 1985] décrt une sére d axomes que les agrégatons pondérées dovent vérfer et propose la moyenne arthmétque pondérée comme foncton d agrégaton typque satsfasant ces axomes. [Montero, 1989] ustfe cette règle comme étant celle qu maxmse la décson relatve des crtères d évaluaton, proportonnellement à l mportance de chaque crtère. Une nterprétaton du pods peut être la pertnence du crtère. Ce nveau de pertnence peut agr en tant que contrante sur les ntenstés de préférence qu un crtère peut exprmer. Par exemple, on peut souhater qu un crtère ne pusse pas entraîner l acceptaton ou le reet complet des alternatves. Etant par essence antdémocratque, ce type de pods n est pas adapté aux règles de type maorté, mas peut être utle pour lmter l nfluence d un crtère dctateur ou d un crtère veto, en nterdsant des classements extrêmes quand l nfluence de certans crtères dot être restrente. Par exemple, s ϕ( u1... u p) = mn u alors n mporte quel crtère a un drot de veto, mas ce drot devent lmté avec l agrégaton pondérée ϕ( u... u, w... w ) = mn max( w, u ) où le crtère ne peut pas exprmer un nveau d ntensté 1 p 1 p = 1.. p plus pett que w, mn( w ) = 0. = 1.. p La règle duale pour la dctature est : ϕ( u 1... u, 1... ) max mn(, p w wp = w u ), où max( w ) = 1. Les règles de maorté peuvent s obtenr en utlsant la noton de moyenne ordonnée pondérée (OWA pour Ordered Weghted Average) ntrodute par [Yager, 1988]. L dée est d utlser un ensemble de pods w 1,.., w qu ne sont pas a pror affectés à des crtères ; par exemple, les p plus hauts pods sont affectés aux crtères exprmant les plus hautes ntenstés de préférence pour une alternatve donnée. = 1.. p = 1.. p p = 1.. p 58/180

59 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel Consdérons σ une permutaton de ( ) 1, 2,.., p telle que x (1) x (2)... x ( p). σ σ σ p = = 1 On consdère alors la combnason convexe : ϕ( x1, x2,.., xp, w1, w2,.., wp ) w x σ ( ) La moyenne arthmétque correspond au cas où w = 1 p,. ϕ = max s w1 = 1, w = 0, 2 ; ϕ = mn quand wp = 1, w = 0, p 1. La règle de maorté q parm p est obtenue avec w1 = w2 =.. = wq = 1 q et wq + 1 = wq + 2 =.. = wp = 0. Le cas où les pods sont ordonnés tels que w1 w2.. wp permet à cette règle de trater les quantfcateurs, pusqu on sut le prncpe : plus un classement est élevé plus l est mportant. D autres modèles de maorté floues ont été proposés dans [Kacprzyk, 1987; Zadeh, 1983]. Les règles d unanmté restrentes dffèrent des règles de maorté quantfées en ne permettant pas de compensaton entre les crtères. C est une altératon de la règle du mnmum selon laquelle une alternatve est collectvement approuvée s tous les crtères approuvent séparément cette alternatve : ϕ( x, x,.., x, w, w,.., w ) = mn max( w, x σ ), où les pods satsfont la 1 2 p 1 2 p ( ) = 1, p condton mn w = 0. L approbaton exgée de q crtères parm p est obtenue en ( x = 1, p posant w1 = w2 =.. = wq = 0 et wq + 1 = wq + 2 =.. = wp = 1. Notons que l approbaton partelle = q p ) de tous les crtères n est pas consdérée dentque à l approbaton complète de q crtères tands que ces approbatons sont équvalentes pour les opératons OWA. Notons que ϕ = max pour w1 = 0, w = 1, 2. Le cas où 0 = w1 w2.. wp, trate de la stuaton où le seul q est mal défn comme lorsqu on exge la satsfacton de la plupart des crtères où la plupart est c une proporton décrte par un ensemble flou Q sur {1,2,.., n} avec µ ( ) = w [J-L. Konng, 1990]. Interacton des crtères Nous avons usqu c évoqué les relatons de subordnaton entre les crtères, l peut être nécessare dans la pratque de consdérer également les relatons de coordnaton entre crtères d évaluaton. En effet, dans le cas général, les crtères sont lés, en plus des lens de subordnaton, par des relatons transversales : ces relatons transversales exprment des lens de coordnaton qu assurent la cohérence de scores d'un même nveau hérarchque. Pour bénéfcer de cette dstncton sémantque des relatons entre crtères, l est nécessare d ntrodure de nouvelles fonctons d'agrégaton comme l ntégrale de Choquet [Akharraz, 2004; Grabsch et al., 2000; Montman et al., 2006]. Cet opérateur est une bonne llustraton de l'agrégaton de performances lées par des dépendances de subordnaton et de coordnaton : elle permet en partculer de modélser l'mportance obectve d'un crtère et son nteracton avec les autres crtères d'évaluaton. Pluseurs stuatons peuvent alors être dstnguées : les obectfs déclnés en crtères d'évaluaton sont parfatement non-nteractfs ou ndépendants, c état l hypothèse des paragraphes précédents ; les obectfs sont nteractfs ; un type d'nteracton concerne la noton de conflt. D'un autre pont de vue, ces obectfs sont partellement complémentares, c est-à-dre que leur satsfacton smultanée affecte la performance agrégée plus sgnfcatvement que des satsfactons prses séparément (l y a synerge) ; Q 59/180

60 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel un autre type d'nteracton d'obectf est la redondance, c est-à-dre des obectfs qu sont en quelque sorte nterchangeables parce que les performances respectves auxquelles ls se rapportent évoluent dans le même sens. Il est clar que s l on est capable de construre une hérarche de crtères où l on a prs son de n'utlser que des obectfs ndépendants et addtfs, cette problématque n a pas leu d être. Malheureusement, en pratque, l'ndépendance suppose en partculer qu'l n'y at pas de redondance entre les crtères et la classque moyenne pondérée n'est pas capable de rendre compte de cet aspect. Plutôt que d'essayer de construre des structures hérarchques ndépendantes et addtves, on peut modélser l'nteracton d'obectfs comme le permet l'ntégrale de Choquet qu, dans le cas 2-addtf, prend la forme : p 1 CI g ( u1, u2,..., u p ) = mn( u, u ) I + max( u, u ) I + u ( ν I ) 2 II-9 I > 0 > 1 avec ν I 0 et où : 2 I < 0 > les ν sont les ndces de Shapley et représentent l'mportance globale de chaque obectf relatvement à tous les autres ( υ = 1) ; p = 1 les I représentent les nteractons entre les pares de crtères ( C, C ) qu prennent leur valeur dans l'ntervalle [-1;1] ; une valeur de 1 sgnfe qu'l y a un effet synergque postf entre les deux obectfs, une valeur de -1 qu'l y a une synerge négatve, et une valeur nulle que les obectfs sont ndépendants. Ans, peut-on décomposer l'ntégrale de Choquet 2-addtve en tros partes, une cononctve, une dsonctve et une addtve : un I postf mplque que la satsfacton smultanée des crtères C et C a un effet sgnfcatf sur la performance agrégée et qu'une satsfacton unlatérale n'a par contre aucun effet ; un I négatf mplque que la satsfacton de C ou C est suffsante pour avor un effet sgnfcatf sur la performance agrégée ; un I nul mplque qu'l n'exste pas d'nteracton entre les deux crtères consdérés ; ans les ν ouent le rôle de pods des moyennes pondérées classques. Les proprétés mathématques de l ntégrale de Choquet ont été largement tratées dans les travaux de Grabsch [Grabsch et al., 1995; Grabsch et al., 1998; Grabsch et al., 1996, 2000]. Nous ne donnons que quelques exemples remarquables à ttre llustratf des proprétés de cette ntégrale floue. L ntégrale de Choquet peut auss s écrre sous la forme suvante qu permet de la placer par rapport à la moyenne pondérée assocée par les υ : CI g p 1 ( u1, u2,..., u p ) = uν u u I II-10 2 = La phase de sélecton Evaluaton et classement > Le ugement de valeur ou le score porté par la CA concernant l alternatve k selon le pont de, vue du crtère se note k CA k X 0,1 obtenu par l alternatve k pour le crtère x. Le score [ ] est le résultat de l agrégaton des scores portés par toutes les CAs se rapportant à la case ( ;k) = 1 60/180

61 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel de la grlle d évaluaton. Les termes x k, CA cartographés dans la grlle d évaluaton permettent l évaluaton de l alternatve k selon la dmenson de l évaluaton : une relaton d agrégaton k k, CA du type X ( = g x ) est étable, dans laquelle g est l un des opérateurs d agrégaton défns dans la secton précédente. k, CA Dans [Akharraz, 2004], g est la moyenne arthmétque des x. A ce nveau d agrégaton, l nous semble néanmons plus ndqué d avor recours sot à des maortés restrentes sot à k, CA des unanmtés restrentes s l on souhate évter les compensatons entre x. Ces famlles d opérateurs s apparentent davantage au prncpe de vote collectf (la quas-totalté des k, CA connassances x permet de conclure que ) que l on cherche à modélser qu une moyenne arthmétque qu lsse l ensemble des opnons et en masque complètement la dversté. Par k, CA alleurs, s l on consdère que les x sont auss foncton du temps, la moyenne arthmétque k aura l effet d un fltre moyenneur et déformera la dynamque d évoluton de X (la détecton de tout revrement d opnon sera retardée). Enfn, maortés et unanmtés restrentes sont des opérateurs à sémantque explcte à ce nveau de l agrégaton (la plupart des connassances k, CA, x vont dans ce sens, plus de 75% des connassances x k CA lassent à penser que ), qu n exgent pour autant aucun paramétrage : le chox des w dans ce type d opérateurs ne nécesste aucune expertse du domane (pas d dentfcaton paramétrque). k k Enfn, l évaluaton globale de la soluton k, S, résulte de l agrégaton des X selon un opérateur d agrégaton h comme défn précédemment. Cependant à ce nveau d agrégaton, l devent rasonnable de penser que h pusse modélser une stratége, des prortés, un comportement décsonnel (cononctf, dsonctf ou de comproms) et on pourra alors procéder à une dentfcaton comme nous l avons évoqué précédemment. A l ssue de cette évaluaton multcrtère, les solutons sont donc classées selon leur score global k k k h( s ) = h( X,..., X p ). 1 A ce stade du processus de décson, on dspose donc d'une soluton préférée (ou élue) elle a été retenue suvant une stratége h. Par défnton, on a :, h( s ) h( s ). Argumentaton de la sélecton Nous avons vu que la légtmaton des chox est une dmenson essentelle de la décson collectve. Intéressons nous donc mantenant à la formalsaton du processus de ustfcaton de la soluton retenue. Il s'agt dans cette étape d automatser l extracton des CAs de la base de connassance, autrement dt les éléments rhétorques qu ont condut à la décson. Consdérons la procédure d argumentaton relatve suvante qu permet de ustfer le chox de la soluton s plutôt que la soluton s k. Elle repose sur la noton de contrbuton d un crtère à l évaluaton globale. 1 k 1 1 k k Sot h( s ) h( s ) = h( x,.., x ) h( x,.., x ) 1 p 1 Lorsque h est n + 1-dfférentable et Alors on a : 1 avec h = x x k, p ( n+ 1) h x1 xp M x = x1 xp (,.., ), (,.., ) k k ( n) 1 1 n h h( x + h) h( x ) h'( x1,.., xp ). h.... h ( x1,.., xp ).( h) M. n! ( n + 1)! n+ 1 s : II-11 61/180

62 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel Pour n = 1, la décomposton en contrbutons margnales des crtères au pont k s est donnée par : p k k k k k k t k h( ) h( s ) h( s ) = h( x + h) h( x ) h'( x1,.., xp ). h = h( s ). h = x. h II-12 x Les contrbutons margnales k k h( x ) h( x ). h. h. x σ ( ) σ ( + 1) σ ( ) xσ ( + 1) = 1 k h( x ) (. h ) peuvent être réécrtes de sorte à ce que x k h( x ) On peut ensute parttonner les contrbutons. hσ ( ) en classes relatves aux ordres de x grandeur du rato 6 k k h( x ) h( x ) :. hσ ( ). h σ (1). Plus ce rato est proche de 1, plus la x x σ ( ) σ (1) contrbuton selon le crtère est forte, plus le crtère représente une dmenson essentelle dans la ustfcaton de notre chox. On défnt ans un découpage symbolque sur l'échelle k k h( x ) h( x ) contnue x. h σ (1) dans lequel chacun des termes. h σ ( ) peut être classé (Fgure x x II.5). σ (1) On peut alors applquer un rasonnement aux ordres de grandeur pour explquer avec le nveau de détal chos en un mot, l essentel, le prncpal, le détal et l anecdotque en k quo la soluton s est préférable à la soluton s ; plus la contrbuton margnale est mportante, plus le crtère est une dmenson dscrmnante de la sélecton. Les symboles des relatons aux ordres de grandeur =,,, et << sgnfent respectvement égal à, vosn de, comparable à, pett devant et néglgeable devant et sont assocés aux explcatons «en un mot», «à l'essentel», «prncpalement», «dans le détal» et «de façon anecdotque» k k 1 h( s ) h( s ) (Fgure II.5). Ans, à ttre d exemple, s l on a. hσ ( ). h σ (1) < 1, la 1+ e x x σ ( ) σ ( ) σ ( ) σ (1) k contrbuton du crtère au score global de s est vosne de 1 et on dra alors que le score k obtenu par s selon le crtère est une rason essentelle de son score global. Néglgeable devant e 1+ e << L anecdotque e Pett Proche devant de Le détal 1 ( ) 1+ e Comparable Vosn de à Comparable Vosn Égal à 2 Le prncpal Fgure II.5: Découpage en étquettes symbolques des contrbutons partelles 7 6 Une relaton A r B est équvalente à (A/B) r 1 et peut être modélsée comme un ntervalle flou sur le rapport (A/B) en utlsant un unque paramètre e [Mavrovounots et al., 1988][ Dubos, 1989]. 7 Le nombre de classes est un paramètre à fxer qu dépend de la connassance que l'on souhate exprmer (le détal et l'anecdotque pourraent par exemple être fondus en une seule catégore lngustque). Le paramètre e est 1 1+e L essentel En un mot 1 x x α x 1 1X k h( s ). σ (1) h σ (1) 62/180

63 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel On peut également souhater dsposer d une procédure de ustfcaton dans l absolu, k autrement dt fare valor quelles sont les dmensons qu explquent le bon score de s. Consdérons alors l expresson analytque suvante : k ( α,..., α) ( ) ( α,..., α) = n h k h s h.( x α) x = 1 II-13 Où h( α,..., α) = α peut être vu comme une valeur de référence ou un degré mnmal de satsfacton attendu. Les contrbutons margnales assocées à cette expresson sont alors : h( α,..., α) k (.( x α)). Elles peuvent être ordonnées de sorte à ce que : x h( α,..., α) h( α,..., α).( x α).( x α) pus on peut applquer un rasonnement aux x k k σ ( ) σ ( + 1) σ ( ) xσ ( + 1) ordres de grandeur comme précédemment : plus la contrbuton est mportante, plus le crtère k a été détermnant dans la bonne apprécaton de s. Une autre façon d'envsager le nveau de ustfcaton est de fxer le pourcentage β% d'explcaton du score de s k et de chercher p0 tel que : h h h( s ) h( α).( x α) = β %..( x α) p0 < p p k k k = 1 x = 1 x II-14 A ce stade de l argumentaton, l est donc possble de sélectonner automatquement les crtères les plus détermnants dans la décson ; autrement dt, les cases (, k) de la grlle d'évaluaton pour lesquelles les scores partels x k assocés ouent un rôle décsf dans les chox prs, peuvent être pontées mécanquement. Il faut ensute pour chacune de ces cases extrare les CAs les plus caractérstques des arguments que l'on veut fare valor. En effet, s dans les processus d agrégaton multcrtère résumés précédemment, les CAs sont assmlées aux scores partels qu elles portent, l ne faut pas oubler qu une CA est d abord l expresson en langage naturel de l nterprétaton fnalsée par son rédacteur d une nformaton dans le cadre de l obectf qu l poursut, c est-à-dre un élément d argumentaton ou de rhétorque. De façon analogue à la sélecton des crtères les plus pertnents, on peut mettre en place une procédure permettant d extrare automatquement les CAs les plus pertnentes pour soutenr la logque décsonnelle que l on veut fare valor, autrement dt de générer automatquement la rhétorque nécessare pour fare valor la soluton retenue. Cette fonctonnalté d ade à l argumentaton soulgne l dée qu un système d ade à la décson dot avant tout permettre d éclarer le décdeur au cours des phases du processus décsonnel, et rend ans notre système conforme à la défnton que propose B.Roy : l ade à la décson ne relève que de façon très partelle de la recherche de vérté ; les théores, les méthodologes, les concepts, les modèles, les technques sur lesquels elle s appue dovent avor une ambton dfférente : rasonner le changement que prépare un processus de décson de façon à accroître la cohérence des obectfs avec le système de valeurs du décdeur [Roy, 1985]. Dans cette secton 3.2, nous avons reprs les prncpes de l évaluaton multcrtère et de l argumentaton tels que Akharraz les a proposés dans sa thèse dans le cas partculer où à détermner, une valeur courante de e est 0.1 et correspond à l'dée commune qu'une grandeur devent néglgeable devant une autre au-delà d'un rapport 1/10. 63/180

64 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel l opérateur h état l ntégrale de Choquet (non dfférentable en tout pont) et, g une moyenne arthmétque. Nous avons proposé des opérateurs à sémantque plus rche pour les g et une écrture nouvelle des expressons analytques utles à l explcaton lorsque l opérateur h est dfférentable en ntrodusant les dérvées partelles de cet opérateur ce qu permet de généralser le concept de contrbutons margnales d un crtère à tout opérateur dfférentable. Nous allons procéder de même pour la phase de révson La phase de révson Dans le schéma de Smon, toute décson rasonnée dot reposer sur une analyse de la stuaton qu permet d explcter et de caractérser les phases de percepton, de représentaton et de sélecton du processus décsonnel, ces tros phases de la décson ne se présentant pas de façon lnéare, mas en boucles (loops). Pour rendre compte de cette boucle d tératon dans le processus de décson, nous allons ntrodure la noton de contrôle de la dynamque de décson. A cet effet, nous ntrodusons la noton de rsque décsonnel. Le rsque décsonnel est foncton du temps : l est assocé à la noton de fablté du classement à un nstant donné. Pour défnr le rsque décsonnel, nous proposons de nous baser sur une noton de dstance entre l alternatve préférée à un nstant donné s et les alternatves challengers s k. La noton de rsque est donc c assez élognée de la défnton probablste classque et relève plutôt de la sensblté des préférences étables à toute perturbaton externe. Le rsque décsonnel assocé à la stablté du classement est : 1 mn ( k r = d s, s ) II-15 k = 1.. n k Il reste à chosr la dstance d. On pourrat prendre la dstance qu semble la plus naturelle, c est-à-dre l écart entre les scores globaux obtenus par les solutons concurrentes : k r = 1 mn[ h( s ) h( s )] II-16 k = 1.. n k Néanmons, dans l espace d évaluaton multdmensonnel, le challenger qu aurat la melleure évaluaton après s n est pas nécessarement le concurrent le plus menaçant. Prenons par exemple le cas où h est une somme pondérée et magnons que l on évalue tros élèves A, B et C selon tros matères, mathématques, franças et hstore (Tableau II-1). Leurs coeffcents respectfs sont : 5, 3 et 2. Le tableau suvant récaptule les résultats obtenus par les élèves au premer trmestre : Elève A Elève B Elève C Mathématques Franças Hstore Moyenne Tableau II-1 : Exemple de classement et noton d effort à produre On a donc h( A) > h( B) > h( C) et avec la défnton de d précédente, r = = 0.2. Néanmons, on peut remarquer que B dot gagner 4 ponts en Hstore s l veut revenr à hauteur de A, toute chose étant égale par alleurs, alors que C n a fnalement que 2 ponts à prendre en Mathématques Nous chosrons donc une dstance qu tenne compte de cette sensblté à toute améloraton potentelle des solutons concurrentes. Nous parlerons d «effort» à fournr par les solutons concurrentes pour remettre le classement en queston : plus cet effort devra être conséquent, plus le classement sera stable et mons le rsque décsonnel sera mportant. 64/180

65 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel Ans, plus la dstance entre l alternatve s recommandée et ses prncpales rvales est fable, plus la sélecton de s est rsquée : l suffrat d «une fable quantté d nformatons nouvelles et pertnentes» pour que le classement s en trouve modfé. Le classement peut être très sensble à toute nouvelle CA modfant les scores partels. On consdère que l on peut prendre une décson lorsque le rsque décsonnel est en deçà d un seul fxé C r. Ce seul défnt la noton d acceptablté de la décson, la stuaton est décdable lorsque : C r( t) ε (Fgure II.6). (r(t) est le rsque à la date t) r Pour que cette contrante sot vérfée, l est nécessare de détermner les ponts sur lesquels, des nformatons complémentares sont nécessares pour rédure de manère effcace le rsque entre deux dates d évaluaton, autrement dt dmnuer l ncerttude épstémque. Néanmons, l nformaton a un coût dans tout processus décsonnel : l nformaton est la matère premère du processus de décson, on dot donc en fare un usage optmal. L algorthme suvant propose donc de détermner dynamquement l nformaton «uste» nécessare pour rendre une stuaton décdable, c est-à-dre pour que Cr r( t) ε sot vérfée avec un temps de réponse rédut autant que possble. Il s agt donc ben d astrendre la dynamque du processus décsonnel (dynamque forcée) en contrôlant l apprentssage pour obtenr un temps de réponse nféreur à celu où aucun contrôle n est effectué quant à la façon dont l organsaton construt le corpus de connassances qu lu est utle pour arrêter sa décson (dynamque lbre) (Fgure II.6). En pratque, l faut donc chercher pour chaque alternatve s k les dmensons de l évaluaton pour lesquelles l est le plus pertnent (au sens de la rentablté économque s on en revent au coût nformatonnel) de vérfer qu l n exste pas d nformatons non encore captalsées par l organsaton qu augmenteraent sgnfcatvement le score global de s k. Nous proposons d énoncer l algorthme général du rsque décsonnel sous la forme du problème d optmsaton suvant : Obectf : k k k d( s, s ) = mn f k ( δ ) = mn( f ( δ )) x k II-17 k k k où δ = [ δ1,..., δ p ] Τ est le vecteur d améloraton nécessare à k s et ( ) x k L1 p = 1 x k s pour revenr à hauteur de f δ est le coût nformatonnel pour une réévaluatonδ k de dmenson depus k x et f k ( δ ) [ f ( δ ).. f ( δ ).. f ( δ )]. x k k k k T 1 k 1 x k p k p 1 x xp k s selon la Contrantes : h( x k + δ k ) = h( x ) II-18 k k, 0 δ 1 x. k k k Τ Sot δ = [ δ1,..., δ p ] la soluton de ce problème. Notons que s on suppose que les coûts nformatonnels sont lnéares et que h est lnéare (une somme pondérée par exemple), alors ce problème est un smplex. Dans le cas général, ce problème est un problème d optmsaton non lnéare. Akharraz s est ntéressé à la résoluton du problème dans le cas partculer de l ntégrale de Choquet qu est une foncton lnéare par morceaux sur [0, 1] n [Akharraz, 2004]. Dans une premère approxmaton, on peut s abstrare du problème de l dentfcaton des fonctons coût nformatonnel et consdérer que, f = Id (le coût de l nformaton est ndépendant du score d une part, de la dmenson d autre part) 8. Le problème smplfé s énonce alors : 8 Dans l exemple des élèves, cela revent à dre que progresser de deux ponts en Mathématques n est pas plus dffcle quand on a 4 de moyenne que lorsqu on a 12 d une part, que le traval ou l effort fourn pour gagner k ponts est ndépendant de la matère et donc que l élève ne présente pas d apttude partculère d une matère à l autre. 65/180

66 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel Obectf : n k k mn δ = mn( δ ) II-19 = 1 Contrantes : h( x k + δ k ) = h( x ) k, 0 δ 1 x De cet algorthme, on dédut le rsque décsonnel : k r = 1 mn δ k / p que l on compare au seul d acceptablté C (la dvson par p permet de normalser la dstance maxmale à 1). S le rsque est nacceptable ( Cr r( t) > ε ), l est nécessare d acquérr de nouvelles nformatons afn de pouvor trancher entre les optons. L algorthme va mettre en lumère les dmensons de l évaluaton qu rendent le chox crtque entre s et chaque opton s k. C est-à-dre qu l va permettre d dentfer les dmensons selon lesquelles, l sera le plus «rentable», le plus pertnent d acquérr des compléments d nformatons. Le prncpe calculatore est donné cdessous. k L améloraton mnmale nécessare à s pour attendre le score global de s selon la ( ) dmenson est notée δ k. Le gan assocé à cette améloraton partelle est donné par : G k k ( k ) x +δ k x h. dx x k = 1.. n k II-20 k Le gan global espéré de s pour reondre s est : k = 1 k ( k ) x +δ p k k h G = h( s ) h( s ). dx x II-21 k x L mportance relatve moyenne (IRM) du crtère le long de la traectore résultant de k l algorthme du rsque décsonnel, IRM, est défne par : G = IRM. δ k k ( k ) IRM k ( k ) k ( k ) x + δ 1 h.. dx δ x II-22 k x k Plus l IRM est grande, plus le crtère est une dmenson crtque sur laquelle l apport de k nouvelles nformatons relatves à l alternatve s a de «chances» de modfer le classement antéreur des alternatves en concurrence. Par conséquent, les acteurs de la décson auront ntérêt à rentrer en prorté de l nformaton relatvement aux dmensons crtques dentfées par l algorthme du rsque. Autrement dt, l algorthme «délvre» aux acteurs du processus décsonnel, un «sgnal de commande» qu leur permet de dscerner les analyses à approfondr, les ponts sur lesquels une nvestgaton plus poussée est sans ntérêt, etc. C est en ce sens que l on parlera de plotage par le rsque décsonnel, la phase de révson permet de calculer les entrées nformatonnelles pertnentes qu permettront de ouer sur la dynamque du processus décsonnel. Va la phase d apprentssage ou d nformaton, on ndut une dynamque forcée du processus décsonnel. Comme pour la phase de sélecton, nous sommes parts du modèle d Akharraz spécfquement conçu pour l ntégrale de Choquet pour proposer un algorthme du rsque décsonnel général pour tout opérateur dfférentable avec les conventons dont nous avons convenu pour la phase de ustfcaton Synthèse Dans les quatre paragraphes précédents, nous avons ans défn une boucle de contrôle dont les éléments caractérstques sont les suvants (Fgure II.6). Le processus à contrôler est le processus d évaluaton assmlé à un système dynamque dont les entrées sont les CAs et la sorte le classement des alternatves possbles. Dans cette nterprétaton, le rsque décsonnel peut être vu comme la varable régulée. Compte tenu des remarques précédentes, remarquons que contrôler le rsque décsonnel, L1 66/180

67 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel revent à contrôler l entrope au sens large du terme de la base de connassance utlsée pour la décson. Le système d nformaton ou SGDC est l actonneur de ce schéma de contrôle : l est l organe d acton qu «ouvre ou ferme la vanne d nformatons utles à la décson». Le calcul du rsque et des crtères sensbles du classement consttue le régulateur du système. L acceptablté de la décson prend une nterprétaton ben partculère dans ce cadre : c est la consgne fxée sur le rsque décsonnel. S l on est en dessous de ce seul, la stuaton est décdable, aucune étude supplémentare n est requse pour proposer un chox qu ne pourra être «stratégquement» désavoué (arrêt ou ralentssement des études devenues nutles compte tenu de l état suffsant des connassances). Par contre, s l on ne parvent pas à ramener le rsque décsonnel en dessous de la consgne fxée, ndépendamment de nouveaux flux d nformatons, la stratége d agrégaton dot être révsée (les paramètres la détermnant peuvent être réaustés, les crtères d évaluaton réexamnés) : aucun consensus ne pourra être trouvé avec cette stratége (Fgure II.6). Toute nformaton que l on rentre dans le SGDC sans que la dmenson à laquelle elle se réfère au calcul du rsque décsonnel est une perturbaton : ans, l nerte psychologque ou la controverse sont typquement deux comportements organsatonnels dentfables à des perturbatons de la dynamque d évoluton du processus de décson (ce sont des perturbatons sur l actonneur ; l ncerttude sur la stratége applquée pourrat consttuer une perturbaton en sorte) (Fgure II.6). Inerte psychologque Controverse Acceptablté := Rsque adms Rsque Percepton S nformer Producton de CAs Scores partels Représentaton Lste ordonnée des solutons Défnr une stratége retenues Évaluaton Multcrtère Argumenter Sélecton des CAs dscrmnants Rhétorque de la logque décsonnelle Non* consensus d Rsque dt Rsque à retenr la soluton la plus stratégque Sélecton Révson Évaluer le rsque Sensblté de la stratége Dstances entre les solutons élgbles, l gnorance et l déal * S le rsque assocé à la décson à l nstant t n évolue plus et reste trop fort, alors on ne peut obtenr de consensus et l faut revor la stratége. Fgure II.6: Contrôle de l nformaton décsonnelle ou plotage par le rsque Revenons au modèle S.T.I de H.A.Smon. Les causaltés enchevêtrées mses en exergue dans le modèle de l économste trouvent c une nterprétaton en termes de boucle de contrôle. La phase d nformaton ou de percepton est à assocer à l actonneur de notre schéma, la phase de représentaton (le processus d évaluaton multcrtère c) est le système à contrôler, la phase de sélecton (argumentaton de la logque de chox) est la matrce d observaton du système. En effet, la sorte du processus d évaluaton est le classement des alternatves sur la base des scores qu leur ont été attrbués au cours de l évaluaton. Ce classement n est qu un artfce mathématque pour rendre compte de la combnason des ntenstés de préférence des alternatves en foncton des crtères à un nstant donné. Les scores sont assmlables à des varables d état dont le décdeur n a «que fare» pour ustfer ses actons. Comme nous l avons explqué dans la secton précédente, une dmenson essentelle de notre système d ade à la décson est sa capacté à ustfer ses évaluatons et par conséquent un classement résultant des CAs du SGDC. La fonctonnalté de légtmaton oue le rôle d une matrce d observaton : elle transforme le «vecteur d état», les scores, le classement, en un «observable», la rhétorque de la logque décsonnelle applquée pour obtenr ce classement. Cette rhétorque de logque décsonnelle, qu prendra la forme de rapports d argumentaton rems par le décdeur à ses admnstrés, aux pouvors publcs, etc., consttue l observable du processus d évaluaton par les CAs. 67/180

68 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel 4. Concluson Nous avons proposé dans ce chaptre une synthèse rapde du modèle S.T.I de Smon pour un processus décsonnel collectf. Akharraz a donné une nterprétaton cybernétque de ce modèle dans le cas partculer où la stratége d agrégaton est modélsée par une ntégrale de Choquet. [Akharraz, 2004; Montman et al., 2006] est consacrée à la mse en œuvre de l ntégrale de Choquet dans les calculs lés à l explcaton et au rsque décsonnel. A l nverse, notre démarche n état pas de chosr un opérateur d agrégaton spécfque et d en utlser toutes les proprétés pour optmser les calculs. Nous nous sommes fxés comme obectf de donner un modèle formel général que l on peut nstancer par tout opérateur d agrégaton du moment qu l est dfférentable. Nous sommes donc restés au nveau formel et n avons pas proposé de méthodes de résoluton partculère en ce qu concerne l algorthme du rsque décsonnel car les proprétés spécfques des opérateurs font qu l est dffcle de prôner une méthode de résoluton générale. On peut uste dre de manère très abstrate que ce problème d optmsaton non lnéare contrant peut être résolu par un algorthme de programmaton quadratque séquentelle (sequental quadratc programmng (SQP)). Un certan nombre de packages comme NPSOL, NLPQL, OPSYC, OPTIMA, MATLAB, et SQP, permettent de résoudre ce problème. Dans sa verson la plus basque, l algorthme de SQP remplace la foncton obectf par une approxmaton quadratque et les contrantes par des approxmatons lnéares. Mas encore une fos, notre obectf état un modèle formel, pas une technque de résoluton dédée à un opérateur ou une famlle d opérateurs précs. Dans la boucle de régulaton que nous proposons, nous avons montré comment le tratement de l nformaton pouvat être automatsé pour ustfer une logque décsonnelle, pour estmer la sensblté ou la fablté d un classement, pour détermner quels apports nformatonnels nouveaux seraent les plus pertnents pour conclure au plus vte à une stuaton décdable. Le «sgnal de commande» que fournt l algorthme du rsque décsonnel consste à ndquer aux acteurs de la décson, les dmensons selon lesquelles l évaluaton n est pas suffsamment fable, c est-à-dre les dmensons * où l n exste pas d éléments décsonnels (CAs) suffsamment sgnfcatfs et pertnents pour ustfer que la soluton s est préférable à s k. S l on revent sur la structure de la base des CAs sous la forme d une grlle d évaluaton, cela sgnfe que l algorthme dentfe les cases (*, k) à rensegner prortarement, sur lesquelles s nformer plus précsément. Autrement dt, cette boucle permet d dentfer les nformatons dont l acquston serat la plus à même de rédure les ncerttudes épstémques dans un processus d évaluaton tératf. Dans [Akharraz, 2004], le «sgnal de commande» (les couples (*,k) ) est en fat une smple recommandaton aux acteurs de la décson, ce sont ces acteurs des êtres humans qu sont supposés se procurer cette nformaton. Le rôle de «l actonneur» est oué par un être human auquel on donne smplement des consels quant aux nformatons qu l a ntérêt à rentrer prortarement dans ses bases. Les chaptres technques à suvre de ce mémore proposent une soluton pour mécanser le tratement de l nformaton au nveau de l actonneur. Le prncpe est de s appuyer sur des technques de classfcaton automatque pour aller chercher dans des bases externes, sur le web, etc., les nformatons requses par le régulateur (relatves aux couples (*,k)). On va donc s attacher par la sute à mécanser l actonneur de notre boucle de régulaton pour tendre vers un système d apprentssage et de décson sans nterventon humane. L actonneur ntellgent devra donc être capable de dstnguer dans une base une nformaton relatve à un couple (*,k), d estmer s l s agt d une nformaton favorable ou non à la soluton k au regard du crtère * et enfn, de lu attrbuer un ugement de valeur quanttatf, un score, afn qu elle pusse automatquement être utlsée dans l évaluaton au pas de temps suvant. 68/180

69 Chaptre II - Le rôle de l nformaton dans le contrôle d un processus décsonnel Il s agt là d un schéma très théorque de la décson avec une automatsaton cogntve poussée aux extrêmes. Nous verrons qu outre les problèmes déontologques qu une telle approche peut soulever, l subsste des lmtes formelles et technques à notre approche qu préservent l avenr de nos décdeurs Néanmons, nous avons vu dans ce chaptre que l nterprétaton cybernétque du modèle de Smon permettat de retrouver et d nstrumenter les grandes fonctonnaltés du SIADG du chaptre précédent (suv dans le temps, évaluaton, compréhenson, ustfcaton, consel d acton, etc.). La seule dfférence résde dans le fat que l être human est exclu de la boucle de notre modèle formel alors que dans l approche fablste que nous avons présentée, on mettat en avant l dée de support, d assstance pour paller la fablesse ou l erreur humane. 69/180

70 70/180

71 Chaptre III. Geston des connassances et décson Geston des connassances et décson 1. Introducton La course à l nformaton à l ère du La crossance exponentelle de l nformaton Un beson avéré ou suscté? La surcharge cogntve Indexer pour meux gérer La noton de connassance Nature de la connassance Une typologe des connassances pour une organsaton La geston des connassances Le processus d ndexaton : de l nformaton à la connassance Indexaton manuelle Indexaton automatque Comparason des deux approches Connassance actonnable Instancaton de ces notons à notre problématque /180

72 Chaptre III - Geston des connassances et décson 1. Introducton Les deux chaptres précédents ont ms en avant le rôle de l nformaton dans la décson collectve. Le modèle que nous avons proposé au chaptre 2 est dans la lgnée du modèle Informaton Processng System (I.P.S) de H.A. Smon, qu, le premer, dès 1947, a soulgné l mportance de la phase d nformaton dans une décson d organsaton [Newell et al., 1972; Smon, 1983]. Les fonctonnaltés d évaluaton, de comparason, de ustfcaton des chox que nous avons spécfées pus formalsées reposent sur le concept élémentare et fondamental de connassance actonnable (CA), savor élémentare utle à l acton. La CA est un ugement, une apprécaton qu correspond à l nterprétaton par un acteur du processus décsonnel, de la pertnence et de l utlté d une nformaton sous la perspectve d analyse d une dmenson de la décson. C est de l acquston, de la dsponblté des CAs que dépend donc la pertnence de notre SIADG. Auss, nous a-t-l semblé légtme de revenr dans ce chaptre 3 sur la noton de connassance d une part, sur la geston de la connassance d autre part. Ans, ce chaptre présente quelques éléments bblographques relatfs à la noton d apprentssage pour la décson qu nous permettent de restuer nos travaux dans la problématque de la geston des connassances. Le chaptre est composé de tros sectons. La premère s attache à cerner le concept complexe de connassance. Dans un second temps, nous abordons la problématque de la geston des connassances. Enfn, nous recadrons ces éléments dans notre proet : apprendre, générer et captalser des CAs pour décder. Ce chaptre n a pas la prétenton de fare une synthèse de tout ce qu a pu être écrt et formalsé autour du concept de connassance tant dans les Scences Humanes et Socales qu en Intellgence Artfcelle (pour ne cter qu elles), l a seulement pour but de légtmer notre nterprétaton de la noton de connassance et plus spécfquement de connassance actonnable dans le contexte de la décson en organsaton. 2. La course à l nformaton à l ère du WWW 2.1. La crossance exponentelle de l nformaton De nos ours l exploson des technologes de l nformaton a fat de l Internet un outl, ncontournable tant au nveau personnel que professonnel occupant une place prépondérante dans notre socété et notre ve. Le WWW nous offre un monde de l nformaton prodgeux sans lmte, ce qu pourrat apparaître comme quelque chose de vértablement bénéfque, mas d un autre côté, c est l ouverture à un monde nexplorable et ncontrôlable (en terme de quantté et de fablté des nformatons délvrées), où l ensemble des chox possbles est quas nfn Le problème pour le décdeur en quête de l «nformaton pertnente» n est plus l accès à cette nformaton qu tend à être unformément dstrbuée, mas de savor la trouver dans d mposants flux nformatonnels extrêmement «brutés». Le ournal «Le Monde», du 14 mars 2001, annonçat qu une étude de l Unversté de Berkeley avat établ que l homme créerat plus d nformaton dans les deux à tros ans à venr qu au cours des dernères années... Il n est plus possble, pour l ndvdu et même à l échelle d une entreprse, d une organsaton, d analyser dans sa globalté de telles quanttés d nformatons pour y trouver une réponse à un problème précs. Utlser les nouvelles technologes pour acquérr la bonne nformaton au bon moment, sgnfe qu l faut savor trater des flux d nformatons de façon «ntellgente». L accès à la pertnence requert un fltrage ntellgent. 72/180

73 Chaptre III - Geston des connassances et décson Cette crossance exponentelle de l nformaton est encouragée par le comportement boulmque des cyberconsommateurs qu accumulent les données, les documents, ans que par le beson des entreprses d avor un accès rapde, vore quas mmédat dans certans secteurs comme l économe, à cette nformaton. L obtenton rapde de données fables et qualfées devent un eneu maeur, parfos crtque, d ndépendance et de compéttvté. Dans certans domanes, se pose un problème crucal d'utlsaton et de stockage ntellgent des données. Que ce sot sur Internet (sur des banques de données nternatonales) ou en nterne dans les entreprses, la smple recherche d'nformatons prend désormas une part très mportante du temps de traval. Nous sommes donc face à une problématque nouvelle sur laquelle repose de plus en plus les dfférents secteurs d actvtés de l organsaton. La consttuton d une mémore d entreprse, la geston de sa connassance nterne et auss externe est stratégque. Il s agt non seulement de mémorser correctement l nformaton (mse en forme, unfcaton) mas surtout de la retrouver faclement. L nformaton gérée par l entreprse se transforme donc en connassances prmordales pour la surve et l nnovaton de l entreprse Un beson avéré ou suscté? On peut s nterroger sur la relaton de causalté qu le l nformaton et le problème à résoudre Prenons tout d abord un exemple de la ve quotdenne, chacun d entre nous semble de plus en plus dépendant de l nformaton : un cyberconsommateur souhatant acheter n mporte quel ben ou servce sur le net ne saurat s affranchr de consulter l ensemble des offres commercales va un comparateur de prx (ex : Kelkoo), de s enquérr des bens ou produts réputés équvalents (servce proposé sur la quas-totalté des e-retalers), de s assurer de la fablté du ste sur lequel l envsage de fare son achat va un e-recommender (ex : Cao.com) En retour, les «marques» mettent à la dsposton du consommateur de plus en plus d nformatons relatves à leurs produts ou servces sur la tole. Sur cet exemple banal, on vot à quel pont la socété de l nformaton a emprse sur l ndvdu. S la quantté d nformatons dsponble est phénoménale, elle n est pas un gage de qualté et de fablté. Quelle crédblté accorder à l évaluaton d un produt lorsqu elle est proposée par le ste marchand lu-même (ex : Fnac, Amazon)? Le cyberconsommateur se trouve vte démun dans cet océan d nformatons. Sa connassance souvent très superfcelle du ste, du produt ou du servce recherché, les nformatons souvent subectves, parfos mêmes contradctores qu l consulte ne lu permettent pas d évaluer et de comparer obectvement, ratonnellement et exhaustvement une pléthore de stes tous susceptbles de satsfare à son beson [McNee et al., 2003; Terveen et al., 2001]. Ans confronté à cet népusable espace des possbles, les clents sans a pror, ont tendance à se tourner naturellement vers les opnons et les expérences d autres cyberconsommateurs [Montman et al., 2005]. Ce comportement est à l orgne du concept de e-recommandaton : les stes de e- recommandaton sont dédés à soutenr, gérer et automatser les partages d opnons et de recommandatons de communautés de cyber-consommateurs (ex : Cao.com, Legude.com). On en vent à consulter de l nformaton sur l nformaton, à recourr aux statstques pour estmer la fablté de ce qu on peut lre [Dengur-Rekk et al., 2006a]! Dans le monde de l entreprse, les applcatons ntranet se multplent et devennent le vértable poumon de la ve professonnelle. Chaque employé a accès aux nformatons de l entreprse que ce sot des nformatons générales concernant le fonctonnement admnstratf mas également les données technques nécessares au traval quotden. Les ERP sont souvent 73/180

74 Chaptre III - Geston des connassances et décson de plus en plus accessbles va ntranet et permettent de programmer et réguler l actvté quotdenne, en proposant par exemple la lste des tâches à effectuer dans la ournée La surcharge cogntve Auourd hu chaque utlsateur peut donc accéder à pratquement toute l nformaton qu l souhate. Cependant l abondance d nformaton ne résout pas les problèmes. Elle produt un phénomène ben connu qu est la surcharge cogntve. [Rouet et al., 1995] donne la défnton suvante : «la surcharge cogntve désgne un excès de tratement à réalser». [Claven et al., 2003] donne une défnton légèrement dfférente : «Le flux contnu d nformaton est nnterrompu, et trop rapde pour lasser le temps à l utlsateur de construre la connassance. On parle alors de surcharge cogntve». Pour fare référence à notre chaptre 1, la dte surcharge cogntve état déà dagnostquée dans les salles de condute d nstallatons fortement nformatsées par les gens de la fablté humane l y a de cela vngt cnq ans! Le débat portat sur l ntégraton d ndcateurs touours plus sophstqués et plus nombreux dans les postes de condute nformatsés, l ncapacté de l opérateur à trater une avalanche d alarmes dans le temps et l espace. L nformatsaton des contrôles et de certanes actons peut être poussée usqu à l automatsaton cogntve, c est-àdre le remplacement de l opérateur pour certanes fonctons de décson [Després, 1991]. S on reconnaît auourd hu de plus en plus clarement que, contrarement à ce qu état prévu, l automatsaton (au sens de la commande) a pu parfos rendre les tâches des opérateurs plus dffcles, la même chose peut être magnée pour l automatsaton cogntve [Banbrdge, 1991]. Dans le cadre de notre étude où l s agt d almenter le SIADG avec les nformatons pertnentes et utles pour produre une décson, la surcharge cogntve provent de ce que l utlsateur ne contrôle n la quantté, n la complétude, n la qualté, n la fablté des flux nformatonnels qu l n a de toutes façons pas la capacté (temps, compétences, etc.) d analyser avec les précautons nécessares que cela exgerat. Les questons qu se posent alors sont les suvantes : quelle est l nformaton utle? Comment la repérer? Comment la (re)trouver? Chaque utlsateur tente par dvers moyens de se consttuer une lste de références (que ce sot des stes, des revues, ou autres) lu permettant d aller chercher la bonne nformaton au bon moment. Mas cette atttude reflète davantage un beson qu elle n apporte une soluton effcace à terme Indexer pour meux gérer Il devent donc nécessare de répertorer l nformaton contenue dans de grandes masses de documents. La problématque est alors de savor comment annoter, c est-à-dre ndexer cette nformaton pour la retrouver faclement. Cette ndexaton dot-elle dépendre de l usage que l on fera de l nformaton? Quelles sont les qualtés d'une ndexaton? Comment mettre en regard dverses technques et les comparer suvant des crtères obectfs : temps d'ndexaton, expresson de la requête, pertnence du résultat obtenu, etc.? L ndexaton est-elle une actvté automatsable? Exste-t-l des méthodes hybrdes qu permettent un gan sgnfcatf par rapport aux technques exstantes? Avant de tenter de répondre plus précsément à ces questons dans le chaptre suvant, l faut replacer l ndexaton dans la problématque plus générale de la geston des connassances. 74/180

75 Chaptre III - Geston des connassances et décson 3. La noton de connassance L analyse de la lttérature exstante dans ce domane ne permet pas de défnr une noton unque de «connassance». Cependant on peut déà noter deux angles d analyse de la noton de connassance. D abord, l est ntéressant de défnr la connassance par opposton à deux autres notons qu du pont de vue du langage commun sont à peu près employées ndfféremment, la donnée et l nformaton. Par alleurs, la nature et les modes de transmsson de la connassance ouvrent une autre perspectve d analyse qu donne leu à une typologe des savors dans l organsaton Nature de la connassance Tros concepts prncpaux sont classquement dstngués : donnée, nformaton et connassance. Cette dstncton nous est utle pour montrer le degré de progresson dans les nveaux conceptuels assocés à chaque noton. Cependant tous les auteurs ne sont pas d accord sur cette dstncton comme l évoque [Vacher, 2000] La donnée Pour Ermne et Tsuchya, les données sont des fats de base, qu apparassent au cours de la réalsaton d'une tâche [Ermne J.L. et al., 96; Tsuchya, 1995]. Elles peuvent être transcrtes sous forme de chffres, de mots ou de symboles, de fgures Pour [Brookng, 1998], les données sont des fats, des mages, des nombres présentés sans aucun contexte. La noton de donnée est donc perçue comme la couche de plus bas nveau dans la hérarche conceptuelle du savor. C est sur elle que s élaborent les notons d nformaton et de connassance, elles sont la matère premère de l apprentssage d un savor. Dans le concept de donnée, l n y a aucune noton d nterprétaton n de contexte, elle a une valeur quanttatve ou qualtatve, se présente sous la forme d un nombre, d un extrat électronque de texte ou d une mage, etc L nformaton [Ermne J.L. et al., 96] s étonne du débat que soulève la défnton du concept d nformaton, pusqu l exste une défnton précse, mathématque de celu-c. Elle a été donnée par Shannon en 1949, et consttue ce qu'on appelle la théore de l'nformaton. Les premers chercheurs qu ont essayé de défnr mathématquement la noton d'nformaton contenue dans un message ont dressé une lste des proprétés que devrat vérfer la quantté d'nformaton à partr d'une défnton plausble. Ils ont ans procédé sans s'en rendre compte comme les thermodynamcens du sècle précédent. C est ans qu «au sens strct de la théore de l nformaton, l nformaton est une quantté, mesurée à l ade d une formule qu est sensblement la même, (mas avec un sgne nversé) que celle utlsée par le physcen Ludwg Boltzmann à la fn du XIXe sècle pour mesurer l entrope des gaz» (Phlppe Breton). La théore de Shannon fournt donc l'aspect structurel de l'nformaton. L'aspect fonctonnel de l'nformaton concerne le tratement de l'nformaton, parfos assmlée à la noton d'nformatque. Le dctonnare Larousse donne cette défnton : «Élément de connassance susceptble d'être codé ou représenté à l'ade de conventons pour être conservé, traté ou communqué». Pour [Bazet, 2004] ctant [Ermne J.L. et al., 96; Tsuchya, 1995], les nformatons sont pour les uns des données trées, sélectonnées et organsées par un ndvdu dans un but précs, pour les autres des données auxquelles sont assocées des sgnfcatons par la descrpton de méthodes et procédures d'utlsaton. Ces nformatons sont à la base d'une possble communcaton et sont donc formulées, explctées. Pour [Tsuchya, 1993], quand on donne un sens à une donnée à travers un cadre nterprétatf, elle devent nformaton. Dans [Brookng, 1998] les 75/180

76 Chaptre III - Geston des connassances et décson nformatons sont des données organsées présentées en contexte comme par exemple : les statstques concernant les masons d habtaton en Australe, etc. De cette rapde synthèse, nous retendrons les éléments suvants. La noton d nformaton présente donc un degré conceptuel plus élevé que la noton de donnée dans la valeur et la sgnfcaton qu elle occupe dans l applcaton où elle est utlsée. La noton d nformaton est touours assocée à la possblté de tratement nformatque c'est-à-dre son stockage sous forme explotable pour les applcatons. Pour ces rasons, une nformaton dot donc être assocée à une représentaton formelle permettant sa traducton nformatque et conceptuelle Défnton de la noton de connassance Dans [Ermne J.L. et al., 96; Tsuchya, 1995], les connassances sont défnes sot comme des nformatons affnées, synthétsées, systématsées, sot comme des nformatons assocées à un contexte d'utlsaton. Pour [Brookng, 1998], la connassance est l nformaton en contexte, assocée à une compréhenson de son mode d utlsaton, comme par exemple : la connassance au suet du dranage de l eau dans une rue, dédute de l observaton d un schéma et la compréhenson des nfluences de l emplacement des masons d habtaton sur ces dranages. Ce qu l résume par l équaton symbolque : connassance = nformaton en contexte + compréhenson. Pour [Bonour et al., 2002], la connassance est une nformaton affnée, synthétsée, se rapportant à un contexte spécfé et assurant une fnalté ben précse. [Tsuchya, 1993] formule sa concepton de la noton de connassance d une autre manère : «L nformaton ne devent connassance que lorsqu elle est comprse par le schéma d nterprétaton du receveur qu lu donne un sens (sense-read). Toute nformaton nconsstante avec ce schéma d nterprétaton n est pas perçue dans la plupart des cas. Ans la «commensurablté» des schémas d nterprétaton des membres de l organsaton est ndspensable pour que les connassances ndvduelles soent partagées.» Pour [Penalva et al., 2002] La connassance, à l'nverse de l'nformaton, repose sur un engagement, des systèmes de valeurs et de croyances, sur l'ntenton. La connassance est bâte à partr de l'nformaton pour fare quelque chose, pour agr On peut consdérer cette ctaton extrate de [Tsuchya, 1993] comme une synthèse équtable des précédents ponts de vue : «Although terms datum, nformaton, and knowledge are often used nterchangeably, there exsts a clear dstncton among them. When datum s sensegven through nterpretatve framework, t becomes nformaton, and when nformaton s sense-read through nterpretatve framework, t becomes knowledge.» [Mayère, 1997] affrme encore que concernant la dstncton tentée entre nformaton et connassance, l est très délcat en pratque de tenter une dstncton clare entre ces termes car ls dépendent du pont de vue de l observateur. On remarquera smplement que l utlsaton du mot connassance renvoe plus explctement à une dynamque de créaton et d échanges, dans lesquels les ndvdus ont une poston prvlégée. Sous l éclarage de ces défntons, la connassance correspond au nveau conceptuel le plus élevé de l apprentssage d un savor. La donnée est un élément brut qu n est pas explotable en tant que tel. Cette donnée devent nformaton dans le contexte d un cadre d nterprétaton et de fat son tratement nformatque est possble. La connassance est un degré supplémentare dans l échelle conceptuelle et nécesste un contexte et surtout cette noton de «commensurablté», c'est-à-dre cette exgence de compréhenson mutuelle des acteurs dans l échange de ces connassances. 76/180

77 Chaptre III - Geston des connassances et décson Une autre perspectve d analyse de la connassance correspond à l dée de classer les connassances de par leur nature et leur apprentssage. C est ce que nous allons résumer dans le paragraphe suvant Une typologe des connassances pour une organsaton Dans The Knowledge Creatng Company, Nonaka et Takeuch analysent la performance des entreprses aponases en matère d'nnovaton par leur capacté à combner deux types de connassances [Nonaka et al., 1996] : 1/ les connassances tactes qu regroupent deux formes de savor. Ces connassances sont souvent essentelles pour l'entreprse, mas elles sont malheureusement peu ou pas touours explctables : La connassance pratque (ou savor-fare) qu correspond aux routnes : elle s'acquert prncpalement par expérmentaton et mtaton ; Les compétences comprennent également la connassance du contexte, plus souvent appelée culture d'entreprse. Il s'agt de toutes les connassances partagées sans forcément être explctées, comme par exemple reconnaître un chercheur à sa tenue décontractée et un commercal à sa chemse bleue. Cela peut être de rester tard au bureau dans telle entreprse ou d'arrver tôt dans telle autre : ren n'est dt mas fare dfféremment serat ugé de façon très négatve par les collègues. 2/ Les connassances explctes qu sont faclement formalsables et se transmettent avec peu de perte d'ntégrté. Ce sont des nformatons mses en forme pour une stuaton donnée, c est-à-dre nterprétées et mses en contexte (en ce sens elles devennent connassances). Elles peuvent être nscrtes dans des supports : documents (narratfs, technques ou descrptfs), plans, lvres, dossers nformatques, CD-ROM, etc. Ces supports moblsent généralement des langages codfés : normes, procédures, bons de commandes, factures, rapports, comptes rendus, publcatons, brevets, etc. Les valeurs chffrées et les schémas ont une place mportante. Ces documents sont de plus en plus électronques avec l'avantage d'en faclter la transmsson. Les auteurs présentent quatre processus dont l faut organser la combnason pour favorser la créaton dynamque de connassances (et donc l'nnovaton), c'est-à-dre le passage d'une connassance à l'autre : Venant de Vers Connassance tacte Connassance explcte Connassance tacte Socalsaton Internalsaton Connassance explcte Extérorsaton combnason Fgure III.1 : Les processus de transformaton des connassances de l entreprse 1/ La socalsaton représente le transfert de connassances tactes. Elle a leu au cours d'échanges d'expérences, de rencontres où des hstores sont racontées (sur l'entreprse, sur la ve de chacun, etc.), de toutes sortes de contacts que l'organsaton peut favorser, 2/ L extérorsaton permet à des connassances tactes de devenr explctes lorsque cela est possble. On moblse le plus souvent les métaphores et les analoges, 3/ L'nternalsaton est le processus d'appropraton de connassances explctes par les ndvdus. Par exemple, on applque une norme sans y fare référence comme s elle état devenue évdente, on sat fare quelque chose qu auparavant nécesstat d'être décrt, etc. 77/180

78 Chaptre III - Geston des connassances et décson 4/ La combnason est l'échange de connassances explctes pour en créer de nouvelles : elles peuvent être reformulées pour être moblsées dans un nouveau contexte, elles peuvent être mses sur des supports dfférents, elles se renvoent les unes aux autres, etc. [Vnck, 1997] nsste sur l'névtable coexstence des connassances explctes et tactes (ou mplctes) dans l'entreprse, du pont de vue de l'ndvdu. Il llustre ces deux concepts par la métaphore de l'ceberg de la connassance, qu fat apparaître une parte mmergée (tacte) et émergée (explcte) de la connassance. Ces deux notons sont essentelles pour comprendre les modes de fonctonnement des outls de geston des connassances. Un bon outl de geston des connassances sera celu qu permettra de stocker ntellgemment les connassances explctes et permettra aux utlsateurs de formalser de façon plus asée les connassances tactes. 4. La geston des connassances Nous allons donner un aperçu très lmté des ponts de vue que l on peut trouver dans la lttérature sur la problématque de la geston des connassances. Nous examnons quelques approches représentatves dans le but d en extrare les concepts mportants et utles pour défnr et stuer nos travaux par rapport aux approches exstantes. La noton de geston des connassances est déclnée sous dfférentes expressons qu comportent des ressemblances mas ne sont pas dentques : Geston des connassances ; Captalsaton des connassances ; Knowledge management. [Ballay, 1997] présente la geston des connassances comme un moyen permettant autant que possble, de valorser les capactés et l'expérence de chacun à la place qu lu convent le meux, de fare crculer l'nformaton utle et d'ader à trouver au bon moment celle dont on a réellement beson dans l'acton. De son coté, Prax, qu préfère utlser l'expresson "Knowledge Management", propose une défnton en tros nveaux [Prax, 2000] : Le Knowledge Management est une approche qu tente de manager des tems auss dvers que pensées, dées, ntutons, pratques, expérences, éms par des gens dans l'exercce de leur professon ; Le Knowledge Management est un processus de créaton, d'enrchssement, de captalsaton et de dffuson des savors qu mplque tous les acteurs et l'organsaton, en tant que consommateurs et producteurs ; Le Knowledge Management suppose que la connassance sot capturée là où elle est créée, partagée par les hommes et fnalement applquée à un processus de l'entreprse. Une autre approche de la geston des connassances est celle développée par [Grundsten, 2000]. Celle-c consste à assocer la foncton de management à la captalsaton des connassances : «l faut nsster sur le fat que la captalsaton des connassances est une problématque permanente, omnprésente dans les actvtés de chacun, qu devrat de plus en plus mprégner la foncton de management». Il précse encore : «captalser les connassances, c'est consdérer certanes connassances utlsées et produtes par l'entreprse 78/180

79 Chaptre III - Geston des connassances et décson comme un ensemble de rchesses et en trer des ntérêts contrbuant à augmenter la valeur de ce captal» [Grundsten, 1995]. Nonaka et Takeush [Nonaka et al., 1996] ont donné les fondements de la geston des connassances : «By organzatonal knowledge creaton we mean the capablty of a company as a whole to create new knowledge, dssemnate t throughout the organzaton, and embody t n products, servces and systems.». Dans le contexte de concurrence mondale actuel, la connassance dot être un support de l acton, mas, plus exactement et pragmatquement, un vecteur de créatvté et de compéttvté. La geston des connassances selon Nonaka a donc pour but de s appuyer sur un vécu pour stmuler l apparton de nouvelles connassances. Pour [Ermne, 1996; Penalva et al., 2002] La geston des connassances a été défne comme la mse en place d'un système de geston de flux cogntfs qu permet à tous les composants de l'organsaton à la fos d'utlser et d'enrchr le patrmone de connassances de cette dernère. La geston des connassances se propose ans de repérer, formalser, partager et valorser les connassances de l'organsaton et en partculer celles qu revêtent un caractère stratégque et décsonnel. Parm toutes les démarches envsageables en geston des connassances, on constate deux tendances [Penalva et al., 2002] : La captalsaton des savors et du savor-fare, dont l obectf prncpal est de consgner les connassances stratégques, et qu porte donc l effort sur la sélecton et la structuraton des connassances ; Le partage dynamque des connassances qu ne préuge pas de leur utlsaton future, et n élmne pas des connassances dont l ntérêt pourrat être révélé plus tard. C'est l Intellgence Artfcelle qu a développé la premère voe avec une ngénere des connassances fondée sur la consttuton de structures de données explotables et «valdables» dans les domanes technques où une expertse stable peut être dégagée. La mse en forme de cette expertse est condtonnée par la fnalté : l mplémentaton en machne à trater l nformaton. L utlsaton massve des réseaux d nformaton et de communcaton a relancé récemment l ntérêt de consttuer des corpus d éléments de connassances dynamques partageables entre acteurs humans. Les systèmes de geston dynamque des connassances (SGDC) explorent en prorté cette seconde voe. Un corpus de connassances y est vu comme recouvrant un domane de connassances qu est auss un domane d acton et de décson. Consttuer et gérer va l outl nformatque une mémore commune de l organsaton pour assster celle-c dans ses prses de décsons, ses actons semble donc être un obectf communément adms. Le consensus entre les approches est plus dffcle à établr quant à la consttuton de cette mémore. Il s agt non seulement de mémorser correctement l nformaton (mse en forme, unfcaton) mas surtout de la retrouver faclement. Afn de mettre en œuvre cette étape l faut avor recours à des méthodes d ndexaton. 5. Le processus d ndexaton : de l nformaton à la connassance Pour gérer une mémore commune comme le propose la geston des connassances, ntéressons nous d abord aux moyens de consttuer la base de connassance. Pluseurs approches sont possbles. Nous devons pour cela répertorer l nformaton contenue dans une grande masse de documents : c est le processus d ndexaton, qu permet d assocer à chaque document textuel un certans nombres de repères qu permettent ensute à des outls nformatques de retrouver l nformaton ans ndexée. Nous n abordons l ndexaton dans ce 79/180

80 Chaptre III - Geston des connassances et décson chaptre que relatvement à l étape qu elle consttue en geston des connassances pusque nous débattrons des aspects technques dans les deux chaptre suvants. Selon la défnton du Pett Larousse, ndexer un document consste à construre la lste alphabétque des mots, des suets, des noms apparassant dans un ouvrage, une collecton, etc. avec les références permettant de les retrouver. Il s agt donc d un repérage lexcal nterne à un document ou un ensemble de documents [Crampes et al., 2002 ]. Applquée à un centre de documentaton, l ndexaton a pour but d effectuer un classement appropré de documents afn de pouvor par la sute les retrouver avec plus de faclté et les consulter. Quelques mots-clefs udceusement choss suffsent souvent à la tâche. La recherche actuelle de documents sur Internet déroge peu à la règle même s la quantté des documents et des ndex est d une autre ampleur. Internet ntrodut cependant une dfférence maeure de nature. En effet, l ndexaton tradtonnelle est le fat d un(e) documentalste, à charge pour le lecteur potentel de retrouver manuellement l ouvrage recherché par l utlsaton de l ndex. A l nverse, la documentaton en lgne est souvent ndexée électronquement. La recherche est alors déléguée par l utlsateur à des robots, les moteurs de recherches. Il ne s agt plus de retrouver un pont précs sur un rayonnage, mas d dentfer des obets dont on gnore usqu à l exstence et dont l emplacement mporte peu. Deux approches dfférentes sont représentatves des dfférents courants de l ndexaton. L ndexaton automatque ou «plen texte» qu est fondée sur les technques de «foulle de textes» ou de «text-mnng», dont la prncpale caractérstque est de tenter d automatser le processus d ndexaton ; L ndexaton manuelle par la formalsaton ou dscrétsaton de l nformaton, dont la prncpale caractérstque est de tenter de conceptualser l nformaton au moyen d un processus human. Nous allons synthétser ces deux approches Indexaton manuelle L ndexaton manuelle consste à demander à un opérateur spécalsé ou non, de représenter un document textuel ou un extrat de texte, dans une forme explotable nformatquement. Un exemple d ndexaton manuelle est proposée dans [Crampes et al., 2000] qu propose de fonder celle-c sur une ontologe du domane d étude. Dans de nombreux domanes (TALN, Intellgence Artfcelle, Productque, Multméda, Bologe), on a vu apparaître, ces dernères années, le terme d ontologe. S la défnton de ce terme semble parvenr à un consensus [Chabert-Ranwez, 2000; Iksal, 2002], son utlsaton réelle est beaucoup plus opaque. De l'avs général, elle sert à unformser un langage ou tout du mons à désambguïser un vocabulare, et dot favorser ans la communcaton entre les acteurs d'un proet. En fat, même s ce pont est souvent passé sous slence, elle est surtout un formdable outl pour forcer les acteurs d'un proet à structurer leurs nformatons, même s son rôle s'arrête souvent là. Dans la communauté Web sémantque et Intellgence Artfcelle, elle est auss fréquemment utlsée pour ndexer des documents dans la mesure où elle est drectement nsprée des thésaurus dont les documentalstes usent abondamment dans leur classfcaton. L ontologe représente deux notons mportantes relatvement à un domane : les concepts du domane et les relatons entre ces concepts. On se référera à [Chabert-Ranwez, 2000] pour une explcaton détallée de l ontologe. [Crampes et al., 2000; Crampes et al., 2002 ] proposent à l utlsateur de se lmter à l utlsaton des concepts et des relatons contenues dans 80/180

81 Chaptre III - Geston des connassances et décson l ontologe pour représenter un texte. Il s agt alors de parcourr le texte manuellement et d assocer au fur et à mesure une porton de texte à un concept de l ontologe ou à une relaton de cette ontologe entre pluseurs concepts. Le résultat obtenu est un modèle formel du texte de départ, exploté ensute par des outls nformatques de rapprochement d nformatons smlares en se basant sur l ontologe du domane [Planté, 2000]. Le texte lu même n est plus dsponble en tant que tel Indexaton automatque Elle a pour but de représenter la connassance tout en conservant toutes les nuances et toutes les subtltés que peut exprmer le langage naturel sans perte d nformaton et de connassance. L ndexaton automatque comporte deux étapes : Défnr un modèle de représentaton de documents. Dfférents modèles exstent que nous détallerons dans le chaptre suvant. La plupart des modèles qu nous ntéressent sont des modèles vectorels. En général ces modèles sont fondés sur des mots clés ; Représentaton du document par son modèle. L ndexaton automatque dot permettre à l opérateur de s affranchr d une tâche manuelle d ndexaton Comparason des deux approches Indexaton manuelle et automatque sont deux voes opposées. L ndexaton automatque tente de paler au prncpal défaut de l ndexaton manuelle : le processus manuel long et fastdeux d ndexaton. Cette rason est amplement ustfable pour favorser l ndexaton automatque quand l s agt d ntégrer dans une base de connassance un grand nombre de documents dans lesquels peu de structure repérable exste. Un autre argument également en faveur de l ndexaton automatque, est qu l est dffcle de demander à des utlsateurs d une base de connassance de procéder à une ndexaton manuelle chaque fos qu l souhate ntégrer un document dans la base de connassance. En revanche, l ndexaton automatque a comme nconvénent prncpal d être plus mprécse qu une ndexaton manuelle. Dans l ndexaton automatque c est la machne qu décde des mécansmes d ndexaton fondés souvent sur des règles donnant des résultats nécessarement mons précs que ce que ferat un opérateur. S on a pour obet de construre un référentel méter, alors cela peut être un nvestssement rentable au nveau de l entreprse de mser sur une ndexaton manuelle reposant sur un modèle de type ontologe parce que la granularté de descrpton de la base de connassance sera plus fne. 6. Connassance actonnable La valorsaton de l nformaton dans le cadre de la décson n est pas un concept nouveau [Smon, 1980]. Nous avons décrt dans ce qu précède ce processus de valorsaton de la donnée à la connassance. La queston suvante est : quand est-ce qu une connassance devent utle à l acton? Nous allons ntrodure la noton de connassance actonnable (CA). Ce néologsme, comme le rappelle J.L. Le Mogne [Le_Mogne, 1998], a été ntrodut dans la lttérature organsatonnelle par D. Schön en 1983 (actonable knowledge), afn de dépasser le dstnguo habtuel entre savor et savor-fare, c est-à-dre la séparaton entre la composante épstémque (la connassance) et la composante pragmatque (l acton). C. Argyrs, qu dès 1974 a proposé avec D. Schön des modèles organsatonnels pour l acton, parle en 1995 de savor pour agr (knowledge for acton) [Argyrs et al., 1978]. Il ressort de ces travaux que 81/180

82 Chaptre III - Geston des connassances et décson c est par la réflexon sur ses actons, sur ses savors d expérence, que le pratcen (le suet connassant engagé dans l acton) peut meux prendre conscence des stratéges d actons qu l a élaborées, et donc pourra les amélorer. La traducton de savors tactes en savors d acton consttue le cœur même du processus d apprentssage. En développant le concept dual d'acton ntellgente, H.A. Smon avat attré l attenton sur la légtmté d une ratonalté procédurale, qu ne se rédut pas à la logque et au calcul fondé sur des fats ayant valeur de vérté, et qu tent pour tout auss satsfasants les modes cogntfs que sont la délbératon et l argumentaton. Il s agt alors de concevor et construre des connassances qu soent représentatons d'expérences, d'actons, de réflexons, de délbératons [Le_Mogne, 1998]. SITUATION SAVOIR S SAVOIR-FAIRE DONNEES INTERPRETATION DANS ACTION CONNAISSANCES ACTIONNABLES REPRESENTATION Fgure III.2: Connassance Actonnable (CA) Dès lors, la geston des connassances actonnables n est pas une encapsulaton du savor, mas un suv dynamque d un corpus de connassances en expanson. Elle est défne comme processus de partage dynamque de connassances [tactes] utles à l acton [collectve] [Penalva, 2000]. 7. Instancaton de ces notons à notre problématque Replaçons ces consdératons générales dans notre processus de décson organsatonnelle multcrtère. Les notons abordées dans ce chaptre se rapportent ben sûr à la phase d nformaton du modèle de Smon, c est-à-dre, pour évter de retomber dans l équvoque, à la phase d apprentssage des connassances nécessares et utles à la décson. Force est donc de constater que l abondance de l'nformaton dans notre socété a vrasemblablement changé le paradgme de la décson : on pouvat autrefos énoncer «Le pouvor, c est le savor». Seul un pett nombre d élus qu «gouvernaent» savaent et pouvaent donc décder. Auourd hu, «tout le monde» est supposé avor accès à l nformaton, le paradgme tombe... Le vértable problème, comme nous l avons exposé dans ce chaptre, devent plutôt la capacté à gérer et trater ce flux nformatonnel pour en trer les connassances pertnentes et utles au bon moment. Il faut construre un fltre de pertnence pour almenter l évaluaton et la sélecton d alternatves du processus de décson. La décson est un chox ponctué d une acton. Il paraît ans légtme de postuler qu un élément décsonnel ne saurat être une donnée, une nformaton, n même une connassance, mas une connassance actonnable. La geston des connassances dans notre proet devent donc le partage et le contrôle de CAs qu soutennent la décson. Il nous faut nous doter d un outl nformatque, un SGDC, qu assure cette tâche. La mémore dynamque des CAs gérée par le SGDC dot être perçue comme le support de la logque de décson, la traçablté des chox retenus. Le SGDC ayant pour ultme obet la décson, sa(ses) base(s) de connassances dot(vent) fare l obet d une ndexaton spécfque sur laquelle nous allons revenr dans ce paragraphe. C est cette ndexaton qu permettra de calbrer le fltre de pertnence recherché. C est la condton sne qua non pour évter toute surcharge cogntve. 82/180

83 Chaptre III - Geston des connassances et décson Sur le plan technque, le SGDC sera assmlé, par la sute, à un outl ntranet : serveur WEB s nterfaçant à des bases de données SQL et documentares. La technologe du WEB permet de consulter faclement les documents ou nformatons, supportant ans les processus de partage et de délbératon sur lesquels nous avons nssté auparavant. La collecte de documents ou d'nformatons, largement réparts dans l organsaton, est généralement une opératon lourde et dffcle. Cette soluton technque s affrancht de cet obstacle, en remplaçant la collecte par un dépôt à l ntatve de chaque «acteur - relas». Revenons donc plus précsément sur la noton de CA dans notre proet. Nous consdérons que la CA est un savor élémentare qu se dstngue d'une smple nformaton par le fat qu'elle comporte une part d'nterprétaton lée à la personne qu l'énonce d une part, et que cette nterprétaton tend à la rendre utle à l'acton d autre part. En fasant référence aux dfférentes consdératons que nous avons évoquées dans ce chaptre, on écrra donc qu une CA est défne tout à la fos comme : Une donnée nformatve ugée utle et qu prend du sens dans un contexte ; Un savor élémentare nterprété par la personne qu l'énonce ; Une trace des rasonnements menés par les acteurs du processus décsonnel; Une entté mnmale ntellgble, de sens partageable et réutlsable dans le contexte. Une CA est l'nterprétaton en termes de fnalté par son auteur d'une nformaton dans le cadre de son proet d acton : elle sera un élément d'argumentaton et de rhétorque pour la ustfcaton des chox. Le SGDC assure le partage et le suv des CAs dans l organsaton. Dans notre cadre multcrtère, la formalsaton de la CA s explcte donc par les caractérstques suvantes : Une synthèse (σ) qu est la valeur nformatve de la CA. C est la parte descrptve qu peut précser, par exemple, la source d nformaton, le suet abordé, les références, hypothèses, le contexte, etc. Elle est en langage naturel ; Le commentare (χ) qu est l expresson d un ugement de valeur. Il correspond à une apprécaton de l auteur de la CA relatvement au système de valeurs véhculé par le processus décsonnel. Il est en langage naturel et est un élément de rhétorque potentel ; Le système de valeurs de la décson se déclnant en crtères d évaluaton dans notre évaluaton multcrtère, une CA est donc un ugement de valeur sur une alternatve ϕ sous l angle d analyse d un crtère α. Les coordonnées (α,ϕ) de la CA dans la grlle d évaluaton (Fgure 3 du chaptre II, p crtères en lgne, n alternatves en colonne) permettent de cartographer la base de connassance du SGDC ; le score partel (ρ) qu elle porte. Ce score partel dot en toute logque être cohérent avec le commentare de la CA : l dot être la traducton numérque de l apprécaton en langage naturel portée par le commentare de la CA ; Une date (τ) qu permet de repérer dans le temps la CA. Une nterprétaton peut évoluer dans le temps, un hstorque géré par le SGDC en permet le suv. Les tros chaptres qu suvent sont consacrés à la génératon automatsée de CAs depus des sources d nformatons numérques. Il s agt de construre des CAs à partr de l analyse nformatsée de bases de documents numérques. L eneu est la constructon du fltre qu permettra cette extracton/génératon. Il repose sur l ndexaton automatque de fragments de textes numérques conformément à la descrpton précédente de la noton de CA. Le 83/180

84 Chaptre III - Geston des connassances et décson tratement du contenu de documents, textes, artcles, etc., dot permettre d dentfer les éléments nécessares à la constructon de CAs, dont seront extrats obets et commentares des CAs. L automatsaton de l attrbuton d un score au commentare et de la cartographe de la CA dans la grlle d évaluaton (crtère, alternatve) à une date donnée repose sur des technques de classfcaton ; c est de ces technques que les deux chaptres qu suvent nous entretennent. Ans, cela revent à consdérer que le contenu des textes d une base documentare numérque est ndexé par des quntuplets (σ, χ, (α,ϕ ), ρ, τ), qu défnssent des CAs et donnent donc un accès drect aux éléments de décson dssémnés dans le corpus documentare. Automatser la phase d apprentssage confère à notre système un fort nveau d automatsaton cogntve comme nous en avons débattu dans le chaptre II. Les deux chaptres qu suvent vont donc s attacher à décrre l ndexaton automatque de sources électronques pour générer des CAs qu vendront almenter les phase d évaluaton, de sélecton et de révson du processus de décson global. Les technques en eu relèvent de la classfcaton automatque. 84/180

85 Chaptre IV. Représentatons de corpus documentares et technques de classfcaton Représentatons de corpus documentares et technques de classfcaton 1. La représentaton de corpus documentares Le mot comme unté lngustque La phrase comme unté lngustque La technque des «n-grammes» Tratement prélmnare Dfférents types de représentatons textuelles Concluson Les technques de classfcaton Le représentant moyen d une classe Les classfeurs Classfeur de Bayes Autres classfeurs en tratement automatques du langage Extenson de la sémantque dstrbutonnelle Technques de segmentaton automatque de texte Valdaton Mesure de performance Concluson /180

86 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton Automatser la phase d nformaton du processus de décson consste à almenter la phase d évaluaton multcrtère en CAs. Les scores des CAs, se référant à des crtères, seront utlsés pour évaluer les alternatves ; les commentares des CAs consttueront l argumentare sur lequel s appue la logque de décson. Nous cherchons donc à nformatser l extracton de CAs depus une base de textes usqu à la cartographe et au «scorng» des CAs pour l évaluaton multcrtère. Très schématquement, l s agt d abord d extrare, de documents électronques, des fragments de texte se rapportant à une alternatve ϕ et un crtèreα, on assoce alors un fragment de texte à une classe un thème, défn par le couple (α,ϕ ). Dans un second temps, l faut procéder à l attrbuton d un score à cet extrat : là encore, la queston se pose comme un problème de classfcaton, où l faut mettre en correspondance le commentare contenu dans la CA avec une valeur numérque dans une échelle d ntervalle de granularté plus ou mons fne sur [0, 1]. Ces classfcatons nécesstent pluseurs étapes dont le détal technque fera l obet du chaptre suvant et permettent d ndexer la base de documents numérques en vue de l évaluaton multcrtère comme nous en avons convenu au chaptre précédent. Avant de proposer une soluton technque dédée à notre problématque, nous proposons une revue synthétque des outls de classfcaton les plus ustés dans le domane de la représentaton de corpus de connassances. 1. La représentaton de corpus documentares Nous présentons dans ce paragraphe pluseurs représentatons de corpus documentares correspondant à dfférentes méthodes qu sont néanmons toutes basées sur des modélsatons vectorelles. Les modèles qu suvent sont d usage très général, c est-à-dre qu ls n ont pas été développés en vue d une transcrpton des documents numérques manpulés en enttés manpulables pour une fnalté précse (cartographe, traducton, résumé automatque ) ; ls ont le plus souvent été conçus pour modélser un corpus de connassances. Cette démarche est à l opposé de la nôtre où c est l évaluaton multcrtère, dont les crtères sont détermnés a pror, qu défnt complètement l ndexaton du corpus de textes et rend par là même la représentaton caduque pour tout autre usage : on retrouve ben c le dstnguo connassance/connassance actonnable. Ce n est qu a posteror que les auteurs de ces représentatons «polyvalentes», les ont employées pour des analyses de textes spécfques. Consdérons le problème générque qu est d affecter un texte à une catégore un thème par exemple. L'obectf est donc de mettre en correspondance textes et catégores. Un être human, de part ses capactés cogntves, dégage rapdement le sens du texte et l utlse pour rapprocher le texte d un thème. Par conséquent, lorsque nous déléguons cette tâche à un ordnateur nous devons représenter chacun des textes dans un formalsme permettant d appréhender de manère plus ou mons fne sa sémantque s l on veut avor une classfcaton pertnente. Il est souvent adms que le sens d'un document peut être porté par un ensemble d'untés lngustques partculères, caractérstques plus ou mons élaborées ssues de l analyse du corpus documentare [Besançon, 2001]. Chaque unté lngustque défnt une «dée», et par conséquent, un ensemble de mêmes untés lngustques est censé défnr un sens dentque. Les premères untés lngustques à s'être mposées comme représentatves du sens sont le radcal et le lemme des mots. La reconnassance de ces untés lngustques nécesste d'effectuer un prétratement lngustque des mots du texte. Certanes untés lngustques, plus 86/180

87 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton rudmentares, ne nécesstent aucun tratement a pror, comme le «sac de mots» ou la phrase Le mot comme unté lngustque Dans cette approche l unté lngustque chose est le mot tel qu l apparaît dans le document. Cette approche ne nécesste aucun tratement prélmnare, chaque mot est extrat du texte en consdérant des séparateurs entre chaque mot, comme l espace, la vrgule, la tabulaton, le pont et la ponctuaton en général. L approche par sac de mots est généralement assocée à une procédure de fltrage. En effet, le nombre de mots caractérsant un corpus de documents peut rapdement attendre une centane de mllers. Il devent alors nécessare, afn d envsager un tratement analytque des textes, de ne conserver qu un sous-ensemble de ces mots. Classquement, le fltrage repose à la base sur les fréquences d occurrence des mots dans le corpus. Nous verrons plus lon dans cette secton les dfférentes technques de fltrage que propose la lttérature La phrase comme unté lngustque Certanes approches utlsent non pas des mots, mas des groupes de mots, vore des phrases, comme éléments représentatfs du sens. L'ntérêt d'utlser une phrase ou un groupe de mots est double. Tout d'abord ce type d untés lngustque possède une unté de sens plus complète qu'un smple mot de par la «contextualsaton» des mots [Lews, 1992]. En effet, l'assocaton d'un ensemble de mots, même dans le désordre, offre davantage d'nformaton sur le champ sémantque dans lequel on se trouve. De plus, ce type d untés lngustques défnt une relaton d'ordre entre les mots : un des avantages de cette représentaton est qu'elle ouvre la porte à la geston des cooccurrences de mots. En pratque, les expérmentatons avec ce type de représentaton ne sont, pour l'nstant, pas très concluantes. En effet, s la phrase est une unté lngustque à forte valeur sémantque aoutée, la fréquence d'apparton de groupes de mots ne permet pas d'offrr des statstques fables. Le grand nombre de combnasons entre les mots engendre des fréquences trop fables pour être explotables La technque des «n-grammes» Les n-grammes ont été ntroduts par Shannon en 1948 [Shannon, 1948]. En général le n- gramme se défnt comme étant une séquence de n caractères consécutfs. Cependant l exste quelques varantes dans la lttérature. En effet dans [Caropreso et al., 2001], l'auteur défnt le n-gramme comme étant une séquence de n "mots désuffxés" et dans [Cavnar et al., 1994] l'auteur défnt le n-gramme comme étant une séquence de n caractères non oblgatorement consécutfs. Nous nous contenterons c de la noton de n caractères consécutfs. Ans, le mot : «porte» est composé des n-grammes suvants : - b-grammes : «_p», «po», «or», «rt», «te», «e_» - tr-grammes : «p», «_po», «por», «ort», «rte», «te_», etc. De manère générale pour une chaîne de k caractères entourée de blancs, on génère k + 1 bgrammes, k + 1 tr-grammes ou plus généralement k + 1 n-grammes [Cavnar et al., 1994]. Pour un document quelconque l'ensemble des n-grammes est obtenu en déplaçant une fenêtre de n caractères sur le texte. Avant chaque déplacement de 1 caractère de la fenêtre, le n- gramme contenu dans la fenêtre est défn comme étant un des n-grammes du document. Une fos extrats tous les n-grammes d'un document, on défnt par profl d'un document, la lste des n-grammes trés par ordre décrossant de leur fréquence d'apparton. Les avantages lés à l'utlsaton des n-grammes sont multples. Tout d'abord, les méthodes basées sur les n- grammes sont ndépendantes de la langue. Elles ne nécesstent n la segmentaton des 87/180

88 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton documents en untés lngustques, n la mse en place de prétratements tels que le fltrage, la désuffxaton ou la lemmatsaton. Les n-grammes sont auss tolérants aux bruts (prncpalement les fautes de frappe quelles qu elles soent) [Mannng et al., 1999]. Pour un mot mal orthographé dans un texte, avec l'utlsaton des n-grammes, le mot n'est pas perdu dans sa totalté. Par exemple le mot «gamme» mal orthographé peut donner «game». Les b-grammes de ces deux mots donnent : - «gamme» : «_g», «ga», «am», «mm», «me», «e_» - «game» : «_g», «ga», «am», «me», «e_» On remarque que malgré la faute de frappe, l n'y a qu'un b-gramme qu dffère entre le mot correct et le mot mal orthographé Tratement prélmnare Stemmatsaton (radcalsaton ou «stemmng») L'utlsaton de mots comme unté lngustque est possble, mas pose toutefos un certan nombre de problèmes. En effet, l exste pluseurs centanes de mllers de mots dans un corpus documentare et assocer un sens à chacun de ces mots n est pas nécessarement des plus pertnents. En effet, beaucoup de mots ont des racnes communes, des sens communs. Attrbuer un sens dfférent à «chantaent» et «chantent» par exemple, relèverat d une redondance sans pertnence sémantque. La stemmatsaton qu se nomme également radcalsaton ou en anglas «stemmng» est un prétratement qu consste à trouver la racne de chaque mot. C est un tratement qu procède à une analyse morphologque du texte. Une mplémentaton très connue est celle de Porter [Porter, 1980]. Cet algorthme consste prncpalement à effectuer une «désuffxaton». C est un tratement fondé sur l étude de la morphologe des mots. Il se base sur un dctonnare de suffxes qu permet d extrare le radcal du mot. La stemmatsaton de : «Ces vases sont dsproportonnés», grâce à l'algorthme de Porter donne : «Ce vas sont dsproporton». Une vrae radcalsaton aurat donné : «Ce vase sont proporton» Lemmatsaton La lemmatsaton nécesste une analyse plus poussée que la stemmatsaton. La lemmatsaton se fonde sur un lexque. Un lexque est un ensemble de lemmes, que l on peut assmler globalement aux entrées d un dctonnare tels que ceux que l on trouve dans le commerce. L'obectf de la lemmatsaton est d'assocer à chaque mot une entrée dans le lexque. Or, l'analyse morphologque est nsuffsante pour extrare les lemmes d'un texte car de nombreux mots de même graphe peuvent provenr de dfférents lemmes. Par exemple «offense» peut être consdéré comme le lemme défnssant la parole ou la faute qu blesse, ou comme le verbe "offenser" conugué. Cette ambguïté se résout en analysant la catégore grammatcale du mot en queston dans la phrase. La lemmatsaton nécesste donc de réalser une analyse supplémentare : l analyse syntaxque. La lemmatsaton recouvre donc deux analyses regroupées sous le terme d analyse morphosyntaxque. Depus la fn des années 80, les lemmatseurs sont capables d'assocer à chaque mot d'un texte, son lemme, grâce à un étqueteur morphosyntaxque (nom, verbe, adectf, etc.) dont les taux de réusste avosnent les 90% [Schmd, 1994]. La constructon d'un lemmatseur nécesste néanmons un étquetage de quelques mllers de mots. 88/180

89 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton La «stop-lst» Avant d'effectuer un des prétratements précédents, l est usuel d'utlser une «stop-lst». L'obectf de la «stop-lst» est d'élmner tous les mots ne partcpant pas actvement au sens du document. La «stop-lst» est une lste répertorant tous les mots outls (pronoms, artcles, etc.) et les mots trop fréquents pour être dscrmnants. D'un pont de vue lngustque les mots outls sont par défnton des mots "vdes" de sens. Et, d'un pont de vue statstque, les mots trop fréquents (et de dstrbuton unforme) ne sont d'aucune ade à un processus de catégorsaton pusque non dscrmnants. De par sa nature ce prétratement s'effectue donc en amont des autres prétratements lngustques et son obectf est d'élmner toutes les untés lngustques non dscrmnantes. L'nconvénent de la «stop-lst» est qu elle reste dépendante d'une langue donnée. La «stop-lst» pose un autre problème plus fondamental. En effet, qu peut dre a pror que tel type syntaxque ou mot «outl» est vde de sens? On rsque dans certans cas d omettre certanes untés lngustques qu auraent perms d apporter une ade préceuse à la tâche de classfcaton. En partculer, l est peut être mprudent d établr cette lste avant d avor fat le chox de la technque de classfcaton qu peut parfos nécesster toutes les nformatons dsponbles Dfférents types de représentatons textuelles Le modèle vectorel Le rôle de la représentaton textuelle est de proeter les documents au sen d'une représentaton mathématque qu en permette le tratement analytque, tout en conservant au maxmum la sémantque de ceux-c. Pour réalser cette proecton la représentaton mathématque généralement utlsée est l'utlsaton d'un espace vectorel comme espace de représentaton cble. La caractérstque prncpale de la représentaton vectorelle est que chaque «brque de base du sens» ou unté lngustque (segment textuel) est assocée à une dmenson propre au sen de l'espace vectorel. Deux textes utlsant les mêmes segments textuels seront donc proetés sur des vecteurs dentques. Le formalsme le plus utlsé pour représenter les textes est le formalsme vectorel ssu de [Salton, 1971] et [Salton, 1983]. Dans ce qu sut, nous allons décrre quatre représentatons vectorelles dfférentes et nsster sur leurs smlartés mas auss sur leurs dfférences qu confèrent à chacune des avantages spécfques. La dfférence prncpale des représentatons que nous allons décrre est la détermnaton des dmensons de l espace vectorel. Chaque dmenson est assocée à des notons dfférentes en foncton de l approche chose. Dans certans cas l s agt tout smplement de mots, dans d autres l s agt plutôt de concepts. Cette détermnaton des dmensons relève d un processus d ndexaton Le modèle vectorel SMART Dans [Salton, 1971] et [Salton, 1983], les documents sont représentés selon le modèle vectorel dont l mplémentaton la plus connue est SMART. Dans ce formalsme, chaque dmenson de l espace vectorel correspond à un élément textuel, nommé terme d ndexaton, préalablement extrat par calcul selon pluseurs méthodes préconsées par Salton. Cette acton de sélecton fat appel à un premer processus d ndexaton. Ce processus répertore toutes les untés lngustques de tous les documents du corpus de connassance. Le processus d ndexaton nécesste lu-même l étape prélmnare consstant à regrouper des mots par famlles syntaxques grâce au processus de lemmatsaton que nous avons décrt précédemment. 89/180

90 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton Salton a proposé pluseurs versons du processus de tratement prélmnare des untés lngustques. Dans un premer temps ce tratement état une stemmatsaton. Pus avec l'évoluton des technques nformatques, de nombreuses solutons sont apparues pour l'analyse morphosyntaxque des textes. Ans, dans une mplémentaton plus évoluée, les éléments retenus pour les tratements ultéreurs sont les mots racnes ou lemmes ou encore «morphèmes lexcaux» du texte. Le tratement est alors une lemmatsaton. Le processus d ndexaton lu-même consste alors à effectuer un smple nventare complet de tous les lemmes du corpus en cours d étude. Ensute, vent le processus de sélecton des lemmes qu vont consttuer ce que l on peut nommer les «untés lngustques» du domane ou les dmensons de l espace vectorel de représentaton du corpus documentare. Dans ce formalsme, chaque dmenson de l'espace vectorel correspond à un segment textuel l unté lngustque, préalablement extrate du corpus documentare. L unté lngustque que nous avons ntrodute précédemment coïncde c avec la noton de dmenson de la représentaton vectorelle. Une dmenson peut donc, selon le cas, être un mot, un paragraphe, une lettre ou un assemblage de lettres. Les untés lngustques sont choses dans l'ensemble des lemmes en foncton de leur pouvor de dscrmnaton, elles consttuent les termes d'ndexaton. La sélecton des termes d'ndexaton correspond donc à une réducton de la dmenson de l'espace effectuée en foncton de crtères de dscrmnaton. D'une manère générale, les technques de sélecton des termes d'ndexaton font parte d'un domane de recherche propre («feature selecton») qu trouve des applcatons en classfcaton et en recherche documentare. Le crtère de sélecton des termes d'ndexaton le plus utlsé est la fréquence en documents IDF. Il consste à calculer le nombre de documents dans lesquels apparaît un lemme pus de prendre l nverse de ce nombre. Le résultat obtenu est nommé IDF (Inverse Document Frequency). La fréquence en documents est, pour une unté lngustque et une collecton de documents donnée, le nombre de documents la contenant. [Salton et al., 1975] ont montré que, pour une collecton de documents D, la sélecton des untés lngustques qu ont une fréquence en documents entre D /100 et D /10 génère le plus souvent un ensemble d'untés lngustques ayant un pouvor de dscrmnaton satsfasant pour la recherche documentare. Ce crtère de sélecton est souvent utlsé car l est smple et rapde à mettre en œuvre et l ne nécesste pas de connassances partculères autres que la donnée brute du corpus. A ce stade, lorsqu un lemme l est sélectonné, l consttue une dmenson de l espace vectorel de représentaton du corpus de textes. Par sute, un texte ou document D est représenté par un vecteur D ( ft1..., ft,..., ftv ) = dans lequel V représente le vocabulare ou l ensemble des untés lngustques sélectonnées ( V, son cardnal) et d occurrences du lemme l dans le document D. ft, le nombre Cette technque, encore très utlsée auourd hu, est une vson purement statstque de l extracton d nformaton qu a cependant prouvé son effcacté. L unque prse en compte de la sémantque de l nformaton tent dans le processus de lemmatsaton et dans le fat que les untés lngustques retenues symbolsent les tendances macroscopques du sens du corpus documentare Le modèle LSI Le modèle LSI («Latent Semantc Indexng») est une varante du modèle vectorel standard qu tente de prendre en compte, pour les représentatons des documents, la structure 90/180

91 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton sémantque des untés lngustques, potentellement mplcte (.e. latent), représentée par leurs dépendances cachées [Deerwester et al., 1990]. Pratquement, les technques LSI utlsent la matrce (untés lngustques x documents ) du modèle vectorel standard, dans laquelle chaque élément w est le nombre d'occurrences de l'unté lngustque u dans le document D. Une décomposton en valeurs sngulères (SVD) de cette matrce est effectuée et seuls les k premers vecteurs propres sont prs en compte (k prend typquement une valeur entre 100 et 300). Mathématquement, s M est la matrce «untés lngustques x documents», la décomposton en valeurs sngulères s'écrt M = U.Σ.V t avec U, V orthogonales (U.U t = 1, V.V t = 1) et Σ est dagonale. On approxme la matrce Σ par la matrce Σ ^ rédute aux k premères dmensons (nulle sur les autres) : ^ ^ ^ ^ t M = U. Σ. V U.Σ.V t = M. Ce modèle permet donc de représenter les documents dans un espace rédut de dmenson k. Il est toutefos mportant de noter que chacune des dmensons de l'espace de représentaton fnal correspond à une «combnason lnéare des untés lngustques». L'espace de représentaton n'a donc pas pour support un ensemble de termes d'ndexaton, ce qu rend les dmensons relatvement dffcles à nterpréter drectement. Ce modèle permet également, de façon symétrque, de représenter les termes par des vecteurs qu sont une ndcaton du profl d'occurrence du terme dans les documents. Cette proprété peut donc être utlsée pour établr une noton de smlarté entre termes, ou encore représenter un document comme la moyenne des vecteurs représentant les termes qu'l content La sémantque dstrbutonnelle Dans le modèle DSIR de [Besançon et al., 2000], les documents sont représentés sous forme de vecteurs obtenus par un calcul de cooccurrence entre les termes d ndexaton d un corpus documentare. Une matrce de cooccurrence M est calculée en prenant en compte l apparton cononte de 2 termes présents dans la même phrase. Les termes d ndexaton consttuant la base vectorelle sont sélectonnés de la même manère que pour Salton. Les vecteurs drecteurs de Besançon sont la somme pondérée de 2 vecteurs : α V+ (1 α) Μ.V, où V est un vecteur mot-clés comme proposé par Salton, et M.V est le produt du vecteur V avec la matrce de cooccurrences M construte sur le corpus. Le facteur α est calculé expérmentalement. Le résultat est une représentaton des documents sous forme de vecteurs qu portent à la fos la représentaton statstque des mots clés et la contrbuton des autres termes du corpus pour chaque mot clé. La représentaton de chaque texte exprme à la fos des fréquences d apparton de mots clés mas également les contrbutons des lens de cooccurrence du corpus documentare dont le texte fat parte. Dans ce modèle, le chox des termes d ndexaton pour la tâche de classfcaton dffère très peu de celu de Salton. Comme pour les untés lngustques du modèle vectorel de Salton, les termes d ndexaton peuvent être choss dans l ensemble de toutes les untés lngustques en foncton de leur fréquence en documents. Cette technque a l avantage d ntrodure le concept de «sème» drectement relé à la cooccurrence des untés lngustques et l ndexaton prend ans une dmenson sémantque plus prononcée Le modèle des vecteurs conceptuels La représentaton selon [Chauché, 1990; Jallet, 2005], ben que se basant auss sur un modèle vectorel pour représenter les documents, reste fondamentalement dfférente de la 91/180

92 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton représentaton de Salton. Les dmensons de l espace vectorel ne sont pas assocées c à des lemmes mas à des concepts [Chauché, 1990; Jallet, 2005]. L espace de concepts utlsé est celu du thésaurus Larousse [Larousse, 1992] composé de 873 concepts hérarchsés en 4 nveaux. Par exemple, le mot mélode, défn par les concepts 741,781 et 784 (respectvement, phrase, musque et chant) du thésaurus, sera représenté par un vecteur de dmenson 873 dont toutes les composantes seront nulles sauf celles assocées aux concepts 741, 781 et 784 qu seront toutes tros égales à 1/3. La valeur accordée à chaque composante non nulle est dentque car l on ne fat aucune hypothèse sur la prédomnance d un concept partculer par rapport aux autres. Le vecteur est ensute normalsé. Une phrase sera représentée comme une somme normalsée des vecteurs des mots qu la compose. Un texte sera par sute représenté par un vecteur calculé comme la somme normalsée des vecteurs de ses phrases, etc. Cette modélsaton orgnale est à la fos statstque et sémantque : statstque car les coordonnées des vecteurs représentent des fréquences pondérées de concepts ; sémantque car l espace vectorel est un espace de concepts à forte valeur cogntve Concluson A travers les dfférentes représentatons que nous avons présentées, nous voyons que chacune d elles tente d exprmer à sa façon le sens contenu dans les documents. Nous avons chos de les présenter dans cet ordre parce que cela correspond à une évoluton vers des représentatons de plus en plus conceptuelles. En effet, la représentaton de Salton est fondée sur la statstque de mots sgnfcatfs autrement dt des mots-clés lemmatsés ; la représentaton LSA ntrodut l abstracton des dmensons essentelles d un corpus à la façon d une analyse par composantes prncpales (ACP) va les vecteurs propres du domane relatf au corpus ; la représentaton de Besançon va les cooccurrences ntrodut la noton de sème dans l ndexaton du corpus et enfn la représentaton de Chauché se réfère aux concepts de la langue. Sans doute, cette dernère représentaton est-elle plus proche que les autres de ce qu un être human entend classquement par sens. En effet, le Thésaurus des concepts de la langue ntrodut les dées du langage et les structures qu les lent ; l obet de cette entreprse ne dot ren au tratement automatque du langage mas correspond au beson des hommes de consttuer une structure sémantque de la langue. 2. Les technques de classfcaton Nous n avons pas la prétenton dans ce paragraphe de passer en revue l ensemble des technques de classfcaton mas plutôt de mentonner celles qu sont les plus utlsées en tratement automatque du langage. Ben connue en apprentssage, la classfcaton, appelée également nducton supervsée, consste à analyser de nouveaux canddats et à les affecter, en foncton de leurs caractérstques ou attrbuts, à telle ou telle classe prédéfne. Dans [Dens et al., 2000], [Glleron et al., 2000], les méthodes de classfcaton ont pour but d dentfer les classes auxquelles appartennent des obets à partr de certans trats descrptfs. Elles s'applquent à un grand nombre d'actvtés humanes et convennent en partculer au problème de l ade à la prse de décson. Il s'agra, par exemple, d'établr un dagnostc médcal à partr de la descrpton clnque d'un patent, de donner une réponse à la demande de prêt bancare de la part d'un clent sur la base de sa stuaton personnelle, de déclencher un processus d'alerte en foncton de sgnaux reçus par des capteurs. Une premère approche possble pour résoudre ce type de problème est l'approche " systèmes experts ". Dans ce cadre, la connassance d'un expert (ou d'un groupe d'experts) est décrte sous forme de règles. Cet ensemble de règles forme un système expert qu est utlsé pour classfer de 92/180

93 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton nouveaux cas. Cette approche, largement utlsée dans les années 80, dépend fortement de la capacté à extrare et à formalser les connassances de l'expert. Nous allons consdérer c une autre approche pour laquelle la procédure de classfcaton sera générée automatquement à partr d'un ensemble d'exemples. Un exemple consste en la descrpton d'un cas avec la classfcaton correspondante. Par exemple, on dspose d'un hstorque des prêts accordés avec, pour chaque prêt, la stuaton personnelle du demandeur et le résultat du prêt (problèmes de recouvrement ou non). Un système d'apprentssage dot alors, à partr de cet ensemble d'exemples, extrare une procédure de classfcaton qu, au vu de la stuaton personnelle d'un clent, devra décder de l'attrbuton du prêt. Il s'agt donc d'ndure une procédure de classfcaton générale à partr d'exemples. Le problème est donc un problème nductf, l s'agt d'extrare une règle générale à partr de données observées. La procédure générée devra classfer correctement les exemples de l'échantllon mas surtout avor un bon pouvor prédctf pour classfer correctement de nouvelles descrptons. Les méthodes utlsées par les systèmes d'apprentssage sont très nombreuses et sont ssues de domanes scentfques varés. Les méthodes statstques supposent que les descrptons des obets d'une même classe se répartssent en respectant une structure spécfque à la classe. On fat des hypothèses sur les dstrbutons des descrptons à l'ntéreur des classes et les procédures de classfcaton sont construtes à l'ade d'hypothèses probablstes. La varété des méthodes vent de la dversté des hypothèses possbles. Ces méthodes sont appelées sem paramétrques. Des méthodes non paramétrques (sans hypothèse a pror sur les dstrbutons) ont été également proposées en statstques. Les méthodes ssues de l'ntellgence artfcelle sont des méthodes non paramétrques. On dstngue les méthodes symbolques (la procédure de classfcaton produte peut être écrte sous forme de règles), des méthodes non symbolques ou adaptatves (la procédure de classfcaton produte est de type " boîte nore "). Parm les méthodes symbolques, les plus utlsées sont basées sur les arbres de décson ou la logque floue. Pour les méthodes adaptatves, on dstngue deux grandes classes : les réseaux de neurones et les algorthmes génétques. L'apprentssage automatque, dans une défnton très générale, consste en l'élaboraton de programmes qu s'amélorent avec l'expérence. Les méthodes d'apprentssage à partr d'exemples sont très utlsées dans la recherche d'nformatons dans de grands ensembles de données. En effet, l'évoluton de l'nformatque permet de nos ours de manpuler des ensembles de données de très grande talle (entrepôt de données). La problématque consste à consttuer un corpus représentatf du domane de connassances dans lequel on opère, et à trouver les règles qu le régssent, ou ben à consttuer un modèle opératonnel de ce corpus. Un modèle permet d une part pour un observateur human de comprendre l mage du corpus, et d autre part pour la machne de se fonder sur ce modèle pour prédre le comportement à adopter quand un nouveau canddat à la classfcaton arrve. Pour [Wtten et al., 2005], l apprentssage est un ensemble de technques pour découvrr et décrre des structures et modèles à partr de données afn d ader à la compréhenson de ces données et effectuer des prédctons fondées sur les modèles dentfés. Les technques d apprentssage lées au problème de classfcaton sont tout d abord lées à l exstence a pror de classes. C est ce que l on nomme l apprentssage supervsé, car comme le dt [Wtten et al., 2005] «en un sens, la méthode opère par supervson du fat que l on fournt a pror la soluton réelle pour chacun des échantllons de l ensemble d apprentssage». Le but est alors de fournr un modèle de chaque classe de l ensemble d apprentssage. Nous cterons pluseurs façons d y parvenr : 93/180

94 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton - Calculer un représentant moyen de chaque classe, et utlser une dstance à ce représentant ; - Le classfeur de Bayes ; - Le classfeur de Bayes Multnomal ; - La technque des Arbres de décson ; - Les SVP (Support Vector Machne) Le représentant moyen d une classe Une premère méthode de classfcaton utlse la technque du vecteur moyen. Dans cette technque, l s agt de trouver un représentant de la classe. Pluseurs méthodes exstent. En partculer, sgnalons celle qu consste à calculer le barycentre des ndvdus de la classe et à chosr comme représentant de la classe, l ndvdu le plus proche de ce barycentre. C est en partculer le cas du modèle LSI. Les modèles de [Besançon et al., 2000; Chauché, 1990; Jallet, 2005] représentent également chaque classe par son vecteur moyen. Celu-c est calculé en effectuant la somme normalsée des vecteurs représentant les textes d une même classe du corpus d apprentssage. On obtent ans un vecteur unque qu ne correspond à aucun des documents du corpus, mas qu est le prototype d une classe Dstance au représentant moyen Pour assocer tout nouveau document à une des classes prédéfnes, la noton de dstance est ntrodute. Il s agt de trouver quelle est la classe la plus proche du nouveau document. La dstance la plus utlsée et la plus connue est «cosne» qu est le cosnus de l angle formé entre deux vecteurs. Les prncpales dstances utlsées en catégorsaton sont le cosnus et la dstance eucldenne : Dstance du cosnus («cosne») : Dstance eucldenne (L2) : cos ( v, v ) 1 2 v. v ( v. v ) 1k 2k 1 2 k = 1 = = v1. v n n v1k v2k k = 1 k = 1 n IV-1 L 2 2( v1, v2) = v1 v2 = n ( v1 2 ) 2 k 1 k v = k IV-2 [Besançon et al., 2000; Chauché, 1990] comme [Besançon et al., 2000; Chauché, 1990] ont recours à la mesure du cosnus. Cette mesure normalsée ne fat entrer en compte que l angle que forment les deux vecteurs v1 et v Recherche de l appartenance à une classe Dans la méthode du vecteur moyen, l opératon qu permet d assocer un texte (canddat) à une classe est donc la suvante : les classes sont représentées par leur vecteur moyen respectf et pour une dstance donnée, l sufft de détermner le vecteur caractérstque de l ndvdu à classer, pus de calculer les dstances de cet ndvdu au vecteur moyen de chaque classe. La classe d appartenance de l ndvdu est alors celle dont la dstance est la plus fable Les classfeurs La seconde façon d effectuer une classfcaton est de trouver les caractérstques de chaque classe et d y assocer une foncton d appartenance. Parm les méthodes utlsant ce procédé 94/180

95 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton nous pouvons cter les arbres de décson [Crawford et al., 1991; Qunlan, 1993], les classfeurs de Bayes [Wang et al., 2003], la méthode des SVM (Support Vector Machne) [Joachms, 1998], etc. La classfcaton n est plus alors fondée drectement sur la noton de dstance, mas sur un processus plus élaboré que nous allons vor dans les paragraphes suvants. A ce suet nous avons présenté dans [Planté et al., 2005b] une approche de classfcaton fondée sur les arbres de décson destnée au tratement de notre problématque Classfeur de Bayes Le classfeur de type Naïve Bayes (CNB) Le classfeur de type Naïve Bayes est un catégorseur de type probablste fondé sur le théorème de Bayes. S l on consdère v = (v 1,...., v k,....., v d ) un vecteur de varables aléatores représentant un document d, la probablté que ce derner appartenne à la catégore P( c ) P( v c ) c C (selon le théorème de Bayes) est défne par : P( c v ) = IV-3 P( v ) Chaque varable aléatore v k du vecteur v représente l occurrence de l unté lngustque k retenue pour la classfcaton dans le document d. v k prend donc les valeurs 0 ou 1. La procédure de classfcaton par le CNB est d affecter d à la catégore c max dont la probablté est la plus élevée, c'est-à-dre : cmax = arg max P( c v ). c C L approxmaton de la probablté condtonnelle P( v c ) s effectue alors sur l ensemble d apprentssage en fasant l hypothèse que les v k sont ndépendantes ( P( v c ) = P( ν c ) ). L approxmaton de P( c ) quant à elle est défne de la façon suvante : k k nombre de documents c P( c ) = nombre total de documents Le modèle multnomal Le modèle multnomal de Bayes est un classfeur de type Naïve Bayes auquel est applquée une lo de probablté multnomale. Dans ce modèle chaque document est représenté par une séquence aléatore de termes d ndexaton. De ce fat, la talle du document et le nombre d occurrences des untés lngustques qu l content rentrent en compte. La probablté d avor le mot clé m k présent dans un document appartenant à la classe c est défne par P( m c ). La probablté d avor n fos le mot clé m k dans un document appartenant à la classe c est défne par P( m ) n k c. L approxmaton de la probablté d apparton d un texte de longueur L ayant pour vecteur v et appartenant à la classe c est donc : ft ( mk v ) P( v c, L) = P( m c ) IV-5 k k où ft( m v ) représente le nombre de fos où le mot clé m k est présent dans le document de k vecteur v. Cette approxmaton est la base du modèle multnomal et c est elle qu permettra d évaluer la probablté que l on recherche P( c v ). k IV-4 95/180

96 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton Le classfeur de type Naïve Bayes multnomal (CNBM) S l on applque le théorème de Bayes sur la probablté P( c v, L ), on a : P( v c, L) P( c L) P( c v, L) = ( P( v c ', L) P( c ' L)) c' C IV-6 où P( v c, L ) est la probablté d avor v élément de c connassant sa longueur L ; P( c L ) correspond à la probablté a pror qu un document de longueur L appartenne à c. Par la sute nous consdérerons que la catégore d un document ne dépend pas de sa longueur et, par conséquent : P( c L) = P( c ). L estmaton de P( v c, L ) est plus complexe. A mons que la base d apprentssage sot nfne, l est mpossble d estmer cette probablté sans fare d hypothèse smplfcatrce. En effet à cause du nombre consdérable de documents et donc de vecteurs dfférents qu l est possble d obtenr à partr des termes d ndexaton une évaluaton emprque ne peut être envsagée pour P( v c, L ). Néanmons, s l on consdère que les termes d ndexaton apparassent de manère ndépendante et que la probablté d apparton d un terme d ndexaton ne dépend que de la catégore assocée au document et pas de la talle de celu-c alors l équaton IV-5 est une approxmaton valde de P( v c, L ). La dernère étape consste à approxmer P( mk c ). Dans le modèle multnomal, on utlse généralement l approxmaton de Laplace (estmateur de Laplace) [Vapnk, 1982] : P ( m c ) = k Avec : mk ' V k ' 1 + ft( mk c ) V + ft( m c ) IV-7 V le nombre de termes d ndexaton du modèle ; ft( m c ) le nombre de fos où m k apparaît dans des documents de la catégore c. k En combnant IV-5 et IV-6 et connassant IV-7, on obtent une approxmaton de c ɵ max : cɵ max P ( c ) P( mk c ) k = arg max c ( ' ) C P c P( m c ' ) c' C k k Il est auss possble d utlser le logarthme afn de smplfer les produts par des sommes. Cette foncton étant monotone et strctement crossante, elle n nflue pas sur le résultat de c ɵ max. L équaton IV-8 devent donc : cɵ max ft( mk v ) ft( mk v ) log P ( c ) ( )log + ft mk v P( mk c ) k = argmax c ( ) C log( ( P ( c' ) + ft( m v )log P ( m c' ))) c' C La phase d apprentssage sur le corpus de documents permet de fare les comptages nécessares pour estmer les probabltés qu exge l applcaton de IV-9. La classfcaton consste alors à calculer le vecteur v, les ft( m v ), pus à applquer IV-9 pour attrbuer le document à la classe correspondante à c ɵ max. k k k k IV-8 IV-9 96/180

97 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton 2.4. Autres classfeurs en tratement automatques du langage Parm les classfeurs que l on retrouve le plus souvent en tratement automatque du langage, on peut cter les arbres de décson. Un arbre de décson est une représentaton graphque d'une procédure de classfcaton. Les nœuds nternes de l'arbre sont des tests sur les champs ou attrbuts, les feulles sont les classes. Lorsque les tests sont bnares, le fls gauche correspond à une réponse postve au test et le fls drot à une réponse négatve. Pour classer un enregstrement, l sufft de descendre dans l'arbre selon les réponses aux dfférents tests pour l'enregstrement consdéré. On peut cter également la méthode SVM (Support Vector Machnes) [Burges et al., 1995; Chrstann et al., 2000] qu est un algorthme d apprentssage supervsé pour les problèmes de classfcaton à 2 classes. Les prncpes de ces deux technques sont donnés en annexe Extenson de la sémantque dstrbutonnelle Qu advent-l du processus de classfcaton lorsque le document n est plus modélsé par un vecteur de fréquences? C est le cas de la représentaton par sémantque dstrbutonnelle du paragraphe Une extenson de cette technque est caractérsée par le fat que chaque texte y est représenté par sa matrce de cooccurrence. Une classe peut auss être représentée par une matrce de cooccurrence : elle est construte à partr des matrces des documents de la classe sur la base d apprentssage. Chaque matrce est ensute normalsée. Enfn, la classfcaton consste à mesurer la dstance d un texte à une classe, autrement dt la dstance entre deux matrces. Pluseurs mesures de dstances exstent. La soluton la plus courante est de calculer la dfférence entre les deux matrces, pus de calculer la plus grande valeur propre de cette matrce dfférence. La classe d appartenance du document est alors celle pour laquelle la dstance matrcelle est la plus fable Technques de segmentaton automatque de texte Un problème de classfcaton partculer et récurrent en tratement automatque du langage est le découpage d un document en catégores ou thématques. Dans un document, l s agt d extrare des fragments de textes relatvement à des thématques défnes au préalable. Le prncpe consste à trouver les ruptures thématques dans un texte, c'est-à-dre le changement présumé de suet dans le texte, pus à assocer chacune de ces partes aux thématques. Généralement ce type de tâche est effectué manuellement, mas auourd hu des technques nformatques ont commencé à vor le our pour résoudre de façon automatque cette tâche. Nous cterons tros technques abordant ce problème : - la méthode «texttlng» de Marty Hearst. Le prncpe consste à repérer les untés d nformaton dans un texte que l on peut assmler à des segments thématquement homogènes. La smlarté entre deux phrases adacentes tent compte des mots communs entre les phrases, du nombre de nouveaux mots apparus dans la seconde, des occurrences de termes sémantquement proches. La noton est étendue à deux segments adacents. Lorsqu l y a rupture de cette mesure de smlarté entre deux segments, alors l y a changement thématque. La méthode du «Text-tlng» propose un algorthme pour résoudre cette queston [Hearst, 1994] [Hearst, 1997]. 97/180

98 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton - la méthode du «rhétorc parsng». Dans cette méthode, on cherche à représenter la rhétorque du texte afn d en extrare les dées les plus marquantes. L approche explote les théores du dscours pour trouver les relatons entre les propostons des phrases (noyau et nucléde). La méthode dentfe des untés textuelles, pus les relatons rhétorques qu les lent [Marcu, 1997]. - la méthode d Exploraton Contextuelle. La méthode d Exploraton Contextuelle [Mnel et al., 2001] vse à dentfer les connassances lngustques dans le texte en les resttuant dans leurs contextes et en les organsant en tâches spécalsées. L approche développée est fondée sur la constructon manuelle d une base de données de marqueurs lngustques et une expresson de règles d exploraton contextuelle. Ces règles applquées aux phrases du texte source vont fltrer les nformatons sémantques ndépendantes du domane avec les étquettes sémantques hérarchsées comme : énoncés structurants, défnton, causalté, etc. La stratége de sélecton des untés sallantes est foncton des besons des utlsateurs (fltrage d nformatons). Le résultat est un ensemble de phrases représentant les dfférentes nformatons sallantes du texte Valdaton La valdaton est une phase ndspensable à tout processus d apprentssage. Elle consste à vérfer que le modèle construt sur la base d apprentssage est un classfeur performant. Dans ce cas, performant, sgnfe qu l permet de classer tout ndvdu avec le mnmum d erreurs possble. Les méthodes de valdaton vont dépendre de la nature de la tâche et du problème consdéré. Nous dstnguerons deux modes de valdaton : statstque et par expertse. Pour certans domanes d'applcaton (le dagnostc médcal, par exemple), l est essentel que le modèle produt sot compréhensble. Il y a donc une premère valdaton du modèle produt par l'expert, celle-c peut être complétée par une valdaton statstque sur des bases de cas exstantes. Pour la valdaton statstque, la premère tâche à réalser consste à utlser les méthodes élémentares de statstque descrptve. L'obectf est d'obtenr des nformatons qu permettront de uger le résultat obtenu, ou d'estmer la qualté ou les bas des données d'apprentssage. Pour la classfcaton supervsée, la deuxème tâche consste à décomposer les données en pluseurs ensembles dsonts. L'obectf est de garder des données pour estmer les erreurs des modèles ou de les comparer. Il est souvent recommandé de consttuer : Un ensemble d'apprentssage ; Un ensemble de test ; Un ensemble de valdaton. 98/180

99 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton Base totale Base de modélsaton Base de test Base de valdaton Vérfcaton de la généralsaton Identfcaton Base d apprentssage Modèle Mesure fnale des performances Fgure IV-1 : Processus de valdaton par le test L'ensemble d'apprentssage permet de générer le modèle, l'ensemble test permet d'évaluer l'erreur réelle du modèle sur un ensemble ndépendant évtant ans un bas d'apprentssage. Lorsqu'l s'agt de tester pluseurs modèles et de les comparer, on peut sélectonner le melleur modèle selon ses performances sur l'ensemble de valdaton et ensute évaluer son erreur réelle sur l'ensemble de test (Fgure IV-1). Lorsqu'on ne dspose pas de suffsamment d'exemples, on peut se permettre d'apprendre et d'estmer les erreurs avec un même ensemble par la technque de valdaton crosée ou du Bootstrap Valdaton crosée La valdaton crosée ne construt pas de modèle utlsable mas ne sert qu'à estmer l'erreur réelle d'un modèle selon l'algorthme suvant (Fgure IV-2) : Valdaton crosée (S;x) : // S est un ensemble, x est un enter Découper S en x partes égales S1,, Sx Pour de 1 à x Construre un modèle M avec l'ensemble S - S Evaluer une mesure d erreur e de M avec S Fn Pour Retourner l espérance mathématque des mesures des erreurs Base totale Partton par trage aléatore Sous ensemble S1 Sous ensemble Sk Fgure IV-2 : Processus de valdaton crosée S la talle des S est de un ndvdu, on parle alors de valdaton par «leave one out». En général le nombre x de partes est fxé à /180

100 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton Bootstrap Etant donné un échantllon S de talle n, on tre avec remse un ensemble d'apprentssage de talle n (un élément de S peut ne pas appartenr à l'ensemble d'apprentssage, ou y fgurer pluseurs fos), l'ensemble test est S (Fgure IV-3). L'estmaton de l'erreur réelle est alors l espérance mathématque des erreurs obtenues pour un certan nombre d'tératons de l'algorthme d'apprentssage. Trage aléatore avec remse de n ndvdus Base totale (n ndvdus) Base de modélsaton Identfcaton Modèle Mesure des performances Fgure IV-3 : Processus de Bootstrap Ces deux méthodes fournssent de bons estmateurs de l'erreur réelle mas sont très coûteuses en temps de calcul. Elles sont très utles pour les petts échantllons Mesure de performance Afn de valder correctement la procédure de classfcaton, nous utlsons des mesures de performances sur les résultats de la classfcaton. L effcacté peut se défnr selon pluseurs crtères. Les deux crtères généralement utlsés pour évaluer un processus de catégorsaton sont : la précson et le rappel. Nous allons donner une défnton formelle de ces deux mesures. Pour cela nous allons défnr les quatre notons suvantes pour une classe : - VP est l ensemble des textes de la classe ben classés ; - FP est l ensemble des textes assgnés par erreur à la classe ; - FN est l ensemble des textes de la classe non classés par le classfeur ; - VN est l ensemble des textes n appartenant pas à la classe et dentfés comme tels. On peut vsualser ces notons sur le tableau suvant : Classement du Système Classe Classement de l Expert VRAI FAUX POSITIF VP FP NEGATIF FN VN Tableau IV-1 : les quatre possbltés d un classfeur 100/180

101 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton Précson La précson est, pour une classe, parm tous les documents que le système a attrbués à cette classe ceux que l expert a confrmé appartenr à cette classe. Dt autrement cette mesure ndque la capacté du classfeur à classer correctement les documents. VP Formellement la précson s exprme de la façon suvante : P = IV-10 VP + FP Ce rato permet de savor en partculer s le classfeur, quand l classfe des documents, n affecte pas trop de documents à une classe par erreur Rappel Le rappel est, pour une classe, le rapport entre le nombre de documents attrbués à la classe par le système sur le nombre de documents que l expert a attrbués à la classe. Dt autrement cette mesure ndque la capacté du classfeur à classer correctement l'ntégralté des documents. VP Formellement le rappel s exprme de la façon suvante : R = IV-11 VP + FN Le rappel permet de savor s le classfeur est performant dans sa capacté à extrare de l ensemble des documents ceux qu sont attrbués à la classe en cours d analyse tout en ayant peu d oubls Noton de pertnence La pertnence est la capacté du classfeur à ben classer les éléments qu lu sont soums. C est la somme du nombre de documents attrbués à chaque classe par le système sur le nombre de documents que l expert a attrbués à chaque classe. Formellement la pertnence s exprme de la façon suvante : VP + VN Pt = VP + FN + FP + VN F-Mesure IV-12 Une fos défne les deux notons de rappel et de précson, pluseurs ndcateurs de synthèse ont été magnés. Le plus couramment employé est la F-Mesure ou F-beta de [Rsbergen, 2 ( β + 1) PR 1979] : Fβ = IV-13 2 β P + R Cette mesure fusonne précson et rappel et donne une évaluaton de synthèse de la classfcaton. Le coeffcent β ndque le pods que l on souhate donner à la précson par rapport au rappel F score Le Fscore est la mesure F-beta vue au paragraphe précédent en attrbuant 1 au paramètre β, sot la mesure suvante [Rsbergen, 1979] : F 2PR = 1 P + R IV /180

102 Chaptre IV - Représentatons de corpus documentares et technques de classfcaton Lorsque β vaut 1, le F-score est la moyenne harmonque de la précson et du rappel. Pour que le F-score sot mportant les deux composantes dovent être mportantes. Cette mesure est fréquemment utlsée quand l est mportant d avor un équlbre entre précson et rappel. Dans notre problématque, nous aurons souvent des classfeurs à deux classes comme nous le verrons dans le chaptre suvant. Ans, un canddat sera affecté à l une ou l autre classe. De ce fat, une fable précson sur l une des classes donnera un fable rappel sur l autre classe et récproquement. Il est donc mportant dans notre cas d avor une mesure qu donne une égale mportance à la précson et au rappel. Nous retendrons donc la valeur β =1 pour évaluer la performance de nos classfeurs. Des aménagements à la mesure F-score peuvent être envsagés pour affner et augmenter l exgence de résultat de la classfcaton [Nakache et al., 2005]. Le F-score est une mesure largement employée qu permet de comparer les approches sur des benchmarks. 3. Concluson L obectf que nous nous sommes fxés à la fn du chaptre précédent consste à extrare d un corpus documentare des connassances actonnables. Ces CAs sont structurées conformément à une grlle d évaluaton multcrtère : une CA est donc ndexée par l alternatve ϕ et le crtère d évaluaton α auxquels elle se rapporte. Par alleurs, la CA est porteuse d un score ρ qu n est autre que la transcrpton numérque du commentare de la CA, lu-même exprmant un ugement de valeur quant à la satsfacton du crtère α par l alternatve ϕ : l s agt donc de mettre en correspondance un ugement de valeur en langage naturel avec une échelle numérque (dscrète). Ces deux ponts peuvent être nterprétés comme des problèmes de classfcaton dans le domane du tratement automatque du langage naturel (TALN). Nous aurons donc recours aux outls de ce chaptre pour résoudre les problèmes de TALN que soulève notre problématque. Fnalement, les classfeurs permettront d ndexer le corpus des connassances utles à la décson par ces caractérstques (ϕ, α, ρ) et l sera alors possble d avor un accès drect aux CAs pour rasonner un chox, ustfer d une préférence. Dans le chaptre qu sut nous revenons plus en détal sur les chox retenus tant pour la représentaton des connassances que pour la classfcaton. La représentaton vectorelle des documents dans un espace de mots-clés est le modèle de base que nous avons retenu. Comme nous l avons sgnalé, les espaces engendrés par les mots-clés ne sont généralement pas vables de par leur dmenson excessve. La spécfcté de notre problématque nous a perms de construre les fltres adéquats pour dmnuer sgnfcatvement l espace de représentaton du corpus documentare. S l on prend l exemple de la classfcaton de dépêches selon des rubrques comme le cnéma, le sport ou l économe, les catégores thématques sont «très élognées», les méthodes SMART, LSA, les vecteurs conceptuels se prêtent ben à la résoluton d un tel problème [Jallet et al., 2004]. Dans notre problématque, les catégores ne sont pas auss démarquées les unes des autres. Les crtères d évaluaton (s l on reprend l exemple du cnéma : scénaro, réalsaton, etc.) sont des concepts qu peuvent être sémantquement beaucoup plus proches que ne le sont «cnéma» et «économe» ; ce qu demande une granularté de descrpton plus fne que le thésaurus des vecteurs conceptuels. Aucune des méthodes que nous avons exposées dans ce chaptre n a donné de résultats concluants sur notre problématque. Dans le chaptre qu sut, nous nous efforçons donc de montrer quels ont été les comproms retenus pour borner l espace de représentaton tout en proposant une granularté de descrpton suffsamment fne pour modélser des notons thématques vosnes (nos crtères). 102/180

103 Chaptre V. Extracton automatsée de CAs dans un processus d évaluaton multcrtère Extracton automatsée de CAs dans un processus d évaluaton multcrtère «Sans la lberté de blâmer, l n'est pont d'éloge flatteur». Le Marage de Fgaro (V, 3), 1784 Beaumarchas 1. Descrpton générale de la chaîne de tratement Corpus documentare et base d apprentssage Représentaton vectorelle du corpus de documents Index et représentaton vectorelle Consttuton de l ensemble d apprentssage de chaque classfeur Réducton de l ndex dédé à un classfeur Aout des synonymes La classfcaton des textes le classfeur fltrage des textes évaluatfs et narratfs Le classfeur «classfcaton crtère» Attrbuton d un score au commentare d une CA Score d une CA Quelques ustfcatons Concluson /180

104 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère 1. Descrpton générale de la chaîne de tratement La chaîne de tratement que nous présentons c-après détalle le processus d extracton de CAs à partr d une base de documents utlsés dans le cadre d un processus d évaluaton multcrtère comme nous l avons présenté dans [Planté et al., 2005b]. Les Connassances utles à l Acton (la décson multcrtère c) sont dans notre cas des ugements de valeur à l égard de n alternatves sous l angle d analyse de p crtères d évaluaton. L extracton de CAs consste donc : à extrare d une base documentare tout fragment de texte fasant référence à la grlle (crtères X alternatves) ; à détermner dans ce fragment de texte ce qu relève d un smple résumé nformatf (synthèse σ nformaton obectve) et ce qu consttue un ugement de valeur ou une apprécaton (commentare χ nterprétaton subectve pour le référentel d évaluaton) ; à cartographer ce fragment de texte dans la grlle d évaluaton (autrement dt, lu attrbuer des coordonnées (crtère α, alternatve ϕ)) ; à mettre en correspondance cette apprécaton exprmée en langage naturel avec un score ρ relatf à une échelle d évaluaton numérque (on supposera qu l s agt d une échelle de rato ou d ntervalle) ; à enregstrer et dater (τ). Sute à ce tratement, la CA est alors repérée dans le référentel du SGDC par le quntuplet (σ, χ, (α,ϕ ), ρ, τ). La base de documents est alors ndexée en CAs pour le processus de décson relatvement au référentel des n alternatves et p crtères d évaluaton. On peut alors nterroger la base sous la forme de requête du type «CAs / CA(ρ) >= score & Alternatve = ϕ & Crtère = α) : on aura ans toutes les évaluatons supéreures ou égales à score de l alternatve ϕ au regard du crtère α ; CA(χ) consttuera un élément rhétorque du score attrbué et pourra être utlsé ultéreurement pour ustfer de la logque de décson globale ; CA(σ) restue le contexte de l évaluaton. Cette ndexaton d une base documentare en CAs pour un processus d évaluaton multcrtère nécesste pluseurs tratements qu reposent essentellement sur des technques de classfcaton comme décrtes au chaptre précédent. Les documents sont sot automatquement téléchargés depus le net ou rentrés par des utlsateurs dans une base à une date donnée. Prenons un exemple smple. Supposons qu un cyberconsommateur souhate acheter un apparel photo sur le net. Comme nous l avons vu au chaptre III, les stes de recommandaton sont dédés à soutenr, gérer et automatser les partages d opnons et de recommandatons de communautés de cyberconsommateurs : notre acheteur pourra donc consulter pléthore de retours d expérence sous forme de courts textes crtques sur toute une gamme d apparels photos et ce selon dfférents crtères d évaluaton avant de se décder à fare son achat. Nous dsposons donc d une «base documentare» consttuée des crtques d autres cyberconsommateurs ou ben d artcles d évaluaton rédgés par des experts appartenant sot à des stes marchands sot à des organsmes de consommateurs. Ces avs n ont pas de forme «normalsée», ce sont de smples textes exprmant l opnon d un ndvdu sur un artcle 104/180

105 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère selon une perspectve d analyse donnée un crtère d évaluaton. Ces apprécatons ou crtques en langue naturelle sont généralement consttuées de quelques phrases lorsqu l s agt d un retour d expérence, de quelques paragraphes lorsqu l s agt d une crtque de spécalste. Un apparel photo est ugé suvant un ensemble de crtères comme par exemple : qualté de la prse de vue, faclté de prse en man, mse au pont, etc. Le dagramme qu sut donne le schéma général du tratement nécessare à l ndexaton de la base documentare par les CAs en nsstant sur les deux actvtés prncpales : L extracton des CAs à partr des textes relatvement à un référentel de crtères d évaluaton ; l évaluaton d ntenton de ces CAs, c'est-à-dre la détermnaton des scores correspondant aux ugements de valeur qu elles exprment. Extracton des CAs Cartographe Fgure V-1: Processus général Evaluaton d ntenton des CAs Attrbuton d un score Le dagramme qu sut donne un schéma plus détallé du tratement relatf à ces deux actvtés selon le formalsme UML (Fgure V-2). Ce chaptre a pour obet de décrre ce dagramme. Fgure V-2 : Détal du processus général Les symboles rectangulares représentent les obets du système d nformaton et les rectangles à cons arronds représentent les actvtés (ou fonctons, ou tâches). La tâche d extracton mentonnée dans la Fgure V-1 est c décomposée en deux actvtés : «fltrage» et «classfcaton crtère». Le «fltrage» sépare, dans un texte, les passages narratfs des ugements (ntentons, apprécatons, etc.). Il repose sur un premer classfeur. La «classfcaton crtère» assoce ensute un crtère à chaque fragment de texte ssu du fltrage. Ces actvtés sont présentées en détal aux paragraphes 4.1 et 4.2. Les deux actvtés suvantes «classfcaton P/N/TP/TN» et «agrégaton notes» correspondent à la décomposton de «Evaluaton d ntenton». La premère établt la correspondance entre le ugement de valeur d une CA et un score (Postf (P), Négatf (N), Très Postf (TP) et Très Négatf (TN)). La seconde agrège les scores de toutes les CAs portant sur un même couple (crtère α, alternatve ϕ) pour donner l évaluaton globale de ϕ sous l angle de α. Cette actvté est présentée en détal aux paragraphes 4.3 et 4.4. Avant cela, nous décrvons l élaboraton de l espace des crtères d évaluaton et de la base de connassance nécessare aux classfeurs. Pus, nous explctons le processus de vectorsaton 105/180

106 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère et de dmnuton de l espace vectorel qu est utlsé dans la constructon de tous les classfeurs. Et enfn, nous présentons la génératon des classfeurs. 2. Corpus documentare et base d apprentssage La premère étape de l apprentssage nécessare à la réalsaton de notre système d ade à la décson est la détermnaton des crtères de ugement auxquels se réfèrent les connassances actonnables du système. Ces crtères sont choss par les utlsateurs du système d ade à la décson en amont de tout apprentssage. Les crtères s exprment sous forme de courts aphorsmes comme par exemple : qualté de la prse de vue (pour un apparel photo). Le chox des crtères est suv par l étape de constructon de la base d apprentssage pour laquelle, à chaque fragment de texte de la base, dot être assocé l un des crtères. Compte tenu du traval d ndexaton manuelle sur la base d apprentssage, le nombre de crtères dot rester lmté. De plus, la performance des classfeurs automatques qu seront édfés sur cette base dmnue avec le nombre de crtères. Pour nter l apprentssage, l faut donc analyser chaque texte du corpus documentare, le fragmenter s nécessare lorsque celu-c est composé d éléments fasant référence à pluseurs crtères et assocer chacun de ces fragments de texte à un crtère unque. La constructon de la base est la tâche prélmnare à l apprentssage de tous les classfeurs nécessares à l extracton des CAs. L orgne de la base de documents dépend du type d applcaton. Les textes sont recuells : sot sur Internet selon une procédure manuelle ou à l ade d un moteur d extracton. Il s agt d extrare automatquement à partr de pages Internet des retours d expérences, des avs de consommateurs, des crtques d art, etc. sur des stes dentfés a pror par l utlsateur ; sot sur l ntranet d une organsaton ou d une entreprse qu se prête à des pratques de traval collaboratf et utlse son ntranet pour partager connassances et opnons éms par les membres ou les collaborateurs sur le proet, la réforme, etc. S le recuel des documents textuels consttuant la base de connassance est une tâche relatvement asée, la caractérsaton des extrats textuels assocés à chaque crtère l est beaucoup mons. Cette tâche fastdeuse demande une attenton partculère dont la fablté d apprentssage des classfeurs dépend complètement. Comme nous le voyons sur le dagramme de classe UML qu sut, la base de connassance est consttuée de ugements de valeurs en langage naturel, les crtques. Chaque crtque content une apprécaton sur l une des alternatves. S nécessare, chaque crtque est ensute décomposée en fragments de texte afn qu un fragment de texte se réfère à un et un seul crtère. Pour la parte de la base de connassance réservée à l apprentssage, cette opératon est manuelle. L apprentssage supervsé s opère ensute sur cette parte ndexée de la base. L ndexaton manuelle de la base nécesste donc de dstnguer dans une crtque rentrée dans la base à une date donnée (Fgure V-3) : Une parte dte narratve, dans laquelle l auteur recadre dans son contexte et décrt brèvement l alternatve sur laquelle l va donner son opnon ; Une parte dte évaluatve qu consttue la prse de poston de l auteur relatvement à l alternatve ; 106/180

107 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère La parte évaluatve est ensute décomposée en fragments de texte, chacun d entre eux correspondant à un crtère d apprécaton. C est sur ces couples (fragment de texte, crtère) que sont élaborées les CAs. En effet, à chaque couple est attrbué un score qu dot être cohérent avec le ugement de valeur de l auteur. On fat l hypothèse que ce score est exprmé dans une échelle de rato ou d ntervalle lors de cette ndexaton manuelle. En pratque, chaque phrase des fragments de texte dentfés est assocée à un score et le score du fragment est obtenu par agrégaton des notes de chacune des phrases le consttuant. Fgure V-3 : Structure de la base de connassance pour tros crtères 3. Représentaton vectorelle du corpus de documents Le dagramme d actvté de la Fgure V-4 montre les dfférentes étapes qu mènent de la base d apprentssage à la défnton de l espace de représentaton utlsé par un classfeur. Comme nous l avons vu précédemment, nous devrons avor recours à tros classfeurs : 1) Fltrage pour la reconnassance des partes narratves/évaluatves des textes ; 2) Affectaton d un fragment de texte à un crtère et 3) Attrbuton d un score à un fragment de texte évaluatf. Chacun de ces classfeurs repose sur une représentaton vectorelle spécfque des textes de sa base d apprentssage : l ndex du classfeur (paragraphe 3.3). 107/180

108 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère La représentaton vectorelle d un corpus de documents (vor paragraphe 1 du chaptre IV) nécesste en premer leu un prétratement lngustque pour élmner tous les mots ne partcpant pas actvement au sens du document (la stop-lst). Sur les textes «épurés» est ensute construt un premer ndex des textes de la base d apprentssage. Chaque texte est alors représenté par ses coordonnées (occurrences de mots) dans cet ndex. La dmenson de l espace de représentaton utle au classfeur est enfn rédute en ntrodusant les classes de celu-c pour fltrer l ndex ntal (paragraphe 3.3). C est ce que nous exposons c-dessous. Fgure V-4 : Processus de calcul des ndex 3.1. Index et représentaton vectorelle Fgure V-5 : Tratements lés à l apprentssage Le tratement lngustque consste à effectuer une lemmatsaton de chaque texte comme ndqué au chaptre précédent. Nous utlsons pour cela l outl «Synapse» [Synapse, 2001]. Une fos la lemmatsaton de tous les textes réalsée, nous établssons la lste de tous les mots présents dans le corpus de textes de la base d apprentssage. Un fltre lngustque est applqué afn d élmner quelques types de mots consdérés nutles pour la catégorsaton : les seuls éléments grammatcaux que nous élmnons sont les artcles défns et ndéfns, la ponctuaton fable et les prépostons. Nous fasons l hypothèse que les artcles et la ponctuaton fable ont peu d nfluence sur le sens des textes ou plus exactement sur leur mpact dans le processus de catégorsaton. A la sorte de cette étape, nous fasons l hypothèse que nous avons conservé l ensemble des mots et expressons utles aux classfeurs. Nous pensons en partculer aux adverbes et autres types grammatcaux de nature smlare susceptbles d apporter une contrbuton plus ou mons forte, de nuancer un ugement de valeur. Comme nous l avons fat remarquer dans le chaptre précédent, les tâches de catégorsaton que nous cherchons à effectuer consstent à dfférencer des catégores «relatvement» proches. Dfférenter deux crtères d évaluaton dans un même domane n est pas, catégorser des news selon leur thème, sport, poltque, cnéma, etc. La vectorsaton du corpus de documents ne saurat se suffre des 873 concepts du thésaurus Larousse comme proposé dans la méthode des vecteurs conceptuels (paragraphe du chaptre IV). La granularté de l espace de représentaton dot être plus fne. Toutes les subtltés de la langue contenues dans les textes à analyser sont a pror nécessares pour garantr une bonne performance de la 108/180

109 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère catégorsaton. Nous conservons donc le maxmum de mots pour la sute des opératons et ne procédons à aucune autre smplfcaton grammatcale ou lngustque, seule une réducton de l espace de représentaton lée à la spécfcté des classfeurs sera autorsée. A la sorte de cette étape, la phrase «la fleur est belle», par exemple, est transformée en «fleur être beau» qu est la forme lemmatsée et fltrée de la phrase orgnale. Ce tratement lngustque donne accès à une représentaton formelle. Après avor traté tous les textes par lemmatsaton, l étape suvante consste à énumérer tous les mots lemmatsés ou lemmes qu consttueront les dmensons de l espace vectorel de représentaton des textes. Cette énumératon se fat sur le corpus d apprentssage. Nous supposons que ce corpus est représentatf du domane à trater et que l énumératon des mots lemmatsés consttue le vocabulare V du domane. Nous obtenons une lste de mots m,.. V que nous désgnons par «ndex complet». L ndex complet établ, l est mantenant possble de construre une représentaton vectorelle du corpus de textes de la base d apprentssage. Dans ce modèle, chaque lemme m consttue une dmenson de l espace vectorel de représentaton des textes. Ans un texte D est représenté par un vecteur D ( ft1..., ft,..., ftv ) lemme m dans le document D,.. V. = où ft représente le nombre d occurrences du 3.2. Consttuton de l ensemble d apprentssage de chaque classfeur A ce stade de la procédure, tout document de la base d apprentssage (BA) est représenté par un vecteur dont les dmensons correspondent à l ndex complet et les composantes sont les fréquences d occurrence des termes de l ndex dans le document. Les caractérstques des classfeurs ne sont usqu c pas ntervenues dans les calculs. Les textes sont alors vus comme des ensembles de phrases. Chacune des phrases d un texte est étquetée en vue de la constructon des classfeurs. Ans, chaque phrase sera étquetée de la façon suvante : - Une premère étquette désgne la phrase comme étant un fragment de texte élémentare sot narratf (elle appartent à l ensemble des phrases Hors Contexte Evaluaton, noté HCE) sot évaluatf donc se rapportant nécessarement à l un des crtères (Cr) d évaluaton (elle appartent à l Ensemble des phrases utles à l Evaluaton, noté Cr) ; - Chaque phrase est ensute étquetée par le crtère Cr auquel elle se rapporte dans l ensemble Cr ; - La trosème étquette est le score assocé à une phrase se rapportant à un crtère Cr. Nous nous lmtons à une échelle de valeur à quatre nveaux. Cette étquette peut prendre les valeurs{ TN, N, P, TP }. Sur la base d apprentssage, nous consttuons donc conformément aux dagrammes des Fgure V-3 et Fgure V-5, les ensembles de phrases ou plutôt de vecteurs assocés à ces phrases qu supporteront la constructon de tous les classfeurs : - Un ensemble de vecteurs hors contexte d évaluaton (HCE) et de phrases utles à l évaluaton parce que se rapportant aux crtères (Cr) ; - L ensemble des vecteurs de Cr est dvsé en autant de sous-ensembles qu l y a de crtères d évaluaton ; 109/180

110 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère - Un ensemble de vecteurs postfs P (donc P ou TP) et un ensemble de vecteurs négatfs N (donc N ou TN) ; - Un ensemble de vecteurs postfs (P) (resp. négatfs N) et un ensemble de vecteurs TP (resp. très négatfs TN). Notons que l ntroducton des ensembles P et N, pus P/TP et N/TN, permet de procéder à une classfcaton hérarchque : d abord, on sépare les ugements de valeur favorables des ugements de valeur défavorables, pus pour chacun de ces deux sous-ensembles, les ugements de valeur sont gradués, quantfés pour affner l échelle d évaluaton. Nous ustferons cette manère de procéder en temps voulu. Nous calculons alors les vecteurs de chaque ensemble comme précsé au paragraphe précédent en raoutant les coordonnées «classe». Chaque vecteur (phrase) peut donc être noté de la façon suvante : (...,,...,,, 1 D,, ) p V V = ft ft ft C C est le vecteur de la phrase du document, k D p D p D p k C D p E D p la composante de l ndex, ft D p k le nombre d occurrences du lemme k dans la phrase du document. E correspond à une classe parm les quatre valeurs possbles de l échelle d évaluaton : TP, P, N, TN. C correspond à une classe crtère : crtère 1,, crtère p, HCE. On note : - EHC { VD /, } p C C D p HCE = = : l ensemble tels que C=HCE; - ECr { VD /,, p C C D p C k k {1, 2,3} } - ETP { VD / p C E, D p TP} - EP { VD / p C E, D p P} - EN { VD / p C E, D p N} - ETN { VD / p C E, D p TN} = = : l ensemble des vecteurs évaluatfs ; = = : l ensemble des vecteurs tels que E=TP, = = : l ensemble des vecteurs tels que E=P, = = : l ensemble des vecteurs tels que E=N, = = : l ensemble des vecteurs tels que E=TN. Les ensembles d apprentssage nécessares à la détermnaton des classfeurs pour le processus automatque d évaluaton multcrtère s écrvent alors : - ECr HC = EHC ECr pour le classfeur qu classe les phrases comme étant narratves ou évaluatves ; - ECr pour le classfeur qu assoce un crtère à une phrase ; - E = ETP EP EN ETN P N pour le classfeur qu sépare évaluatons postves et négatves ; - EP TP = EP ETP pour le classfeur qu quantfe les apprécatons postves ; - EN TN = EN ETN pour le classfeur qu quantfe les apprécatons négatves. 110/180

111 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère 3.3. Réducton de l ndex dédé à un classfeur Consdérons un ensemble de vecteurs choss pour effectuer le calcul d un classfeur par apprentssage. L espace vectorel défn sur la base d apprentssage globale et dans lequel sont défns ces vecteurs comporte un nombre mportant de dmensons. Par sute, les vecteurs sélectonnés pour l apprentssage d un classfeur donné peuvent avor de nombreuses composantes touours nulles selon certanes de ces dmensons. On peut donc consdérer que ces dmensons n ont aucune ncdence dans le processus de classfcaton et peuvent même aouter du brut dans le calcul du classfeur entraînant des performances mondres de la classfcaton. Pour paller cet nconvénent, nous avons chos d effectuer une réducton de l ndex afn d amélorer les performances des classfeurs. Une méthode très connue présentée par Cover mesure l nformaton mutuelle assocée à chaque dmenson de l espace vectorel [Cover et al., 1991]. Pluseurs méthodes comparables à celles de Cover ont été proposées pour effectuer une sélecton des mots représentatfs du domane. [Wang et al., 2003] compare quatre méthodes de sélecton du vocabulare. Ces quatre méthodes utlsent respectvement la procédure de sélecton IDF (Inverse Document Frequency), la mesure de gan d nformaton (IG), la 2 mesure de l nformaton mutuelle et la méthode du χ (ch 2). La très répandue méthode IDF est basée sur la fréquence en documents [Salton, 1981]. La fréquence en documents d un mot ou terme est le nombre de documents dans lesquels ce terme apparaît. La valeur IDF est log( N / N ) où N est le nombre total de documents de la base de connassance et N est le nombre de documents de la base de connassance dans lesquels le terme apparaît. Des seuls sur la valeur IDF permettent de sélectonner ou reeter le mot analysé de l ndex [Salton et al., 1988]. La mesure du gan d nformaton est une 2 mesure fondée sur l entrope [Han et al., 2001]. La méthode du χ (ch 2) repose sur des prncpes vosns de ceux de l nformaton mutuelle [Yang et al., 1997]. Wang conclut que la mesure de l nformaton mutuelle de Cover donne les melleurs résultats [Wang et al., 2003]. C est elle que nous utlsons pour la réducton des ndex dédés à un classfeur. En voc les prncpes. Consdérons un ensemble de documents. Sot C la varable aléatore assocée à l ensemble des classes et M t la varable aléatore représentant l absence ou la présence du mot m t dans un document, où M t prend les valeurs f t {0,1} : f t = 0 ndque l absence du mot m t et f t = 1 ndque la présence du mot m t. Introdusons les grandeurs suvantes : P(c) : le nombre documents de la classe c C apparassant dvsé par le nombre total de documents ; P(f t ) : le nombre de documents contenant une ou pluseurs occurrences du mot m t dvsé par le nombre total de documents ; P(c,f t ) : le nombre de documents de la classe c C et contenant également le mot m t dvsé par le nombre total de documents. Nous utlsons l entrope H(C) de la varable classe C : P( c) log( P( c)) et l entrope de cette varable condtonnée par la présence ou l absence du mot m t, H(C M t ) : H ( C, M ) P( f ) P( c f )log( P( c f )) = ( V-1) t t t t ft {0,1} c C c C 111/180

112 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère L nformaton mutuelle moyenne est la dfférence entre l entrope de la varable aléatore C et son entrope condtonnelle relatvement au mot m t : I ( C, M ) = H ( C) H ( C M ) ( V-2) On a donc : t t I ( C, M ) = P( c)log( P( c)) + P( f ) P( c f )log( P( c f )), sot : t t t t c C ft {0,1} c C P( c, ft ) I ( C, M t ) P( c ft )log( ) P( c) P( c f ) = ( V-3) c C ft {0,1} Nous sélectonnons les mots dont l nformaton mutuelle est supéreure à un seul donné (s I ). Dans le chaptre suvant, nous verrons dans les dfférentes expérmentatons que ce calcul dmnue grandement la talle de l ndex d un classfeur qu peut passer de à mons de 600 mots. Cette technque permet donc, pour un classfeur donné, de calculer un ndex rédut dédé à ce classfeur. Nous effectuons ce calcul pour les ensembles d apprentssage défns à la fn du paragraphe 3.2 : les ndex réduts de chaque classfeur défnssent un nouvel espace vectorel dédé au classfeur. Nous nommons ces ndex I Cr HC, I Cr, I P N, I P TP, I N TN. Il est alors nécessare de calculer pour chaque sous-ensemble d apprentssage les vecteurs occurrences avec ces nouveaux ndex. Nous aurons donc des vecteurs dédés à chaque classfeur, l apprentssage s effectuera touours sur ces ndex dédés Aout des synonymes Ce tratement n est pas spécfque au calcul de l espace vectorel dédé à chaque classfcaton. Il vent en complément. Il consste à ntrodure la noton de synonyme dans les vecteurs calculés pour chaque ndex rédut de classfeur. Prenons un exemple : consdérons le thème de la photographe, l ndex rédut content par exemple le terme «clché». Mas, magnons que l on ne retrouve pas son synonyme «épreuve» dans cet ndex parce qu l a été élmné «par le calcul» à l ssue de la sélecton par nformaton mutuelle. Chaque fos que l on rencontre une phrase où ce mot «épreuve» est présent, l n est pas assocé au thème de la «photographe» Nous estmons que ce phénomène créé une perte de précson dans la représentaton vectorelle des phrases, en parte lée au fable nombre de lemmes que l on peut espérer trouver dans une phrase. L ntroducton des synonymes nous permet de compléter et de donner plus de précson à la représentaton vectorelle. Cette étape consste donc à construre une table de correspondance entre les lemmes de l ndex rédut du classfeur et leurs synonymes respectfs. Auourd hu, cette étape est manuelle dans notre processus. Nous dscuterons plus lon de l automatsaton possble de cette actvté. Le prncpe ne consste donc pas à modfer l ndex du classfeur mas à assocer à chaque lemme de cet ndex ses synonymes dans le contexte analysé : les synonymes sont donc comptablsés dans le vecteur des occurrences exprmé dans l ndex rédut sans que la dmenson de l espace vectorelle sot modfée. Sot la coordonnée du vecteur de phrase assocée au mot clé m, défnssons { } s les synonymes de m, allant de 1 à l avec l étant le nombre de synonymes du mot m. t 112/180

113 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère m1 S11 S12 S13 m2 S21 S22 S23 S24 m3 S31 S32 m4 S41 S42 S43 S44 m5 S51 S52 S53 S54 m6 S61.. Fgure V-6 : Exemple de la structure de table de correspondance entre lemmes de l ndex et les synonymes. Les vecteurs d occurrences des phrases se calculent donc ans : l1 lk l V ( 1,...,,...,, ' 1 1 ' ' 1 ' ' 1 ',, k = k = D, ) p V k = ( V-4) V = ft + ft ft + ft ft + ft C C D p D p D p s k D p k D p skk D p sv k C D p E D p Les vecteurs des ensembles d apprentssage E Cr HC, E Cr sur ce modèle., E P N, EP TP, EN TN sont réévalués Le calcul de chacun des classfeurs peut alors être effectué. Nous avons décrt pluseurs méthodes permettant ce calcul au chaptre précédent. Le prncpe de tout classfeur peut être formulé par l dentfcaton d une foncton f qu à tout vecteur assoce une classe : f : V C. La méthode que nous avons retenue est fondée à la base sur le modèle D p k multnomal de Bayes. Les rasons de ce chox sont essentellement dues aux performances de ce classfeur sur les expérmentatons que nous avons condutes, en partculer pour l applcaton que nous exposons dans le chaptre suvant. Les mesures de F-score (vor chaptre précédent) ont touours été largement en faveur du classfeur de Bayes Multnomal sur l ensemble de nos expérmentatons. Fgure V-7 : Dagramme d actvtés générque du calcul d un classfeur 4. La classfcaton des textes Pour un nouveau texte à analyser, l s agt mantenant de 1) fltrer les partes narratves/évaluatves de ce texte, 2) affecter chaque fragment de texte à un crtère et 3) Attrbuer un score à chacun des fragments évaluatfs du texte. Chaque texte soums à la classfcaton est daté, cette date est attrbuée à toutes les CAs qu sont générées depus ce texte (date τ d'une CA) le classfeur fltrage des textes évaluatfs et narratfs Le dagramme d actvtés de ce classfeur est proposé Fgure V /180

114 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère Fgure V-8 : Dagramme d actvtés du classfeur «fltrage» Cette actvté consste à trater le texte brut pour élmner les phrases qu n ont pas pour obectf de donner une évaluaton ou une opnon sur l une des alternatves concernées par l évaluaton. Elle est composée de quatre actvtés : - L analyse morphosyntaxque qu permet d obtenr un ensemble de phrases lemmatsées à partr du texte brut ; - La vectorsaton qu consste à tradure sous forme de vecteur d occurrences chacune des phrases lemmatsées dans l ndex rédut du classfeur «fltrage» ; - L aout de synonymes qu consste à «enrchr» le vecteur d occurrences précédent des synonymes ; - La classfcaton à proprement parler qu consste à séparer les vecteurs d occurrence de chaque phrase en deux ensembles : les phrases narratves et les phrases évaluatves. Le tratement des phrases narratves s arrêtent c : chaque phrase narratve est stockée dans la synthèse σ de la CA que l on est en tran de construre. Le tratement des phrases évaluatves se poursut par leur assocaton à l un des crtères d évaluaton Le classfeur «classfcaton crtère» Cette actvté consste à trater les phrases évaluatves du texte fltré provenant de l actvté décrte au paragraphe précédent et à les assocer aux crtères de ugement (Fgure V-9 : Dagramme d actvtés du classfeur «classfcaton crtère» (cas de 3 crtères). Fgure V-9 : Dagramme d actvtés du classfeur «classfcaton crtère» (cas de 3 crtères) 114/180

115 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère Elle est composée de tros actvtés : - La vectorsaton des phrases analysées avec l ndex rédut dédé à la classfcaton en crtères ; - L aout de synonymes ; - La classfcaton à proprement parler qu consste à assocer les vecteurs d occurrences aux crtères du processus d évaluaton. Nous obtenons à la sute de ce tratement p ensembles de phrases, où chaque ensemble correspond à un crtère. Les phrases ssues d un même texte attrbuées à un même crtère sont regroupées. Chacun de ces regroupements consttue le commentare χ d une CA ; l alternatve ugée et le crtère dentfé donnent les coordonnées (crtère α, alternatve ϕ) de la CA en queston Attrbuton d un score au commentare d une CA Il s agt de mettre en correspondance le commentare χ d une CA avec un score dans{ TN, N, P, TP }. La procédure se fat en deux temps, on procède à une classfcaton hérarchque Evaluaton hérarchque S l on demande à pluseurs ndvdus de classer des phrases dans les quatre catégores : «Très Postf», «Postf», «Négatf», «Très Négatf», nous constatons que l on peut dégager une maorté de phrases que tous les ndvdus classeront de façon dentque. Mas, l exstera touours un certan nombre de phrases pour lesquelles l y aura désaccord. Les catégores auxquelles l on demande d affecter les phrases sont des catégores suettes à des nuances sémantques parfos extrêmement subtles. S l étquetage manuel pose déà problème, l va de so que le classfeur aura d autant plus de mal à obtenr un degré de performance parfatement satsfasant. C est ce que nous avons constaté : s nous tentons de calculer un classfeur Naïve Bayes Multnomal pour ces quatre classes nous constatons que les performances sont très fables, les F-scores prennent des valeurs nacceptables en terme de fablté. Pour cette rason nous avons chos un tratement hérarchque comme le montre la Fgure V-10. Nous avons présenté nos travaux précédents sur ce suet dans [Planté et al., 2005b] qu exposat unquement une évaluaton selon deux modaltés. L dée est la suvante : un tratement manuel des phrases évaluatves permettrat asément de dstnguer les ugements favorables des ugements défavorables. On construt alors un classfeur à deux classes P = { P, TP} et N = { N, TN}. Les performances du classfeur s amélorent très sgnfcatvement pour attendre un F-score tout à fat satsfasant comme nous le verrons dans le chaptre d applcaton suvant. Ensute pour chacune des deux classes P et N, l faut quantfer le caractère favorable ou défavorable de la phrase. Là, le classfeur suvant repose sur un tout autre regstre de mots pour la quantfcaton des scores. Intutvement, s dans la classfcaton P versus N, la dstncton se fasat sur l opposton de qualfcatfs satrques, négatfs (ngrat, décevant, etc.) et de qualfcatfs élogeux, postfs (superbe, remarquable, etc.), pour le classfeur N/TN (resp. P/TP), ce sont les quantfcateurs et les superlatfs qu vont autorser les dstnctons de quantfcaton. Nous aurons donc conformément à la Fgure V-10, tros classfeurs à deux catégores chacun (pusque l on a décdé de se contenter de 4 nveaux d évaluaton dans notre étude). 115/180

116 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère Fgure V-10 : Evaluaton hérarchque des phrases Nous allons donc décrre le contenu de chacune des tros actvtés du dagramme c-dessus Le classfeur «classfcaton phrases P/N» Cette actvté consste à trater chaque CA provenant de l actvté décrte au paragraphe précédent et à classer les phrases les consttuant en deux groupes d apprécatons P ou N (Fgure V-11). Elle est composée de tros actvtés : - La vectorsaton d un commentare de CA assocé à un crtère avec l ndex rédut dédé à la classfcaton P/N ; - L aout de synonymes ; - La classfcaton à proprement parler qu consste à séparer les vecteurs d occurrences de chaque phrase du commentare de la CA en deux sous-ensembles correspondant aux deux évaluatons P et N. Nous obtenons à la sute de ce tratement deux sous-ensembles de phrases, les phrases P et les Phrases N de la CA tout en conservant leur len avec le commentare dont elles sont orgnares. Fgure V-11 : Dagramme d actvtés du classfeur «classfcaton P/N» 116/180

117 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère Le classfeur «classfcaton N/TN» (resp. P/TP) Cette actvté consste à trater chacune des phrases classées N (resp. P) à l étape précédente et à quantfer cet aspect défavorable (resp. favorable) du commentare. Chaque phrase de N (resp. de P) dot être classée N ou TN (resp. P ou TP). Elle est composée de tros actvtés : - La vectorsaton du vecteur analysé avec l ndex rédut dédé à la classfcaton TN/N (resp. TP/P) ; - L aout de synonymes ; - La classfcaton à proprement parler qu consste à classer les vecteurs d occurrences de chaque phrase en deux sous-ensembles correspondant aux deux évaluatons TN et N (TP et P). Nous obtenons à la sute de ce tratement deux ensembles de phrases, les phrases N et TN (respectvement les phrases P et TP). Fgure V-12 : Dagramme d actvtés du classfeur «classfcaton N/TN» (resp. «classfcaton P/TP») 4.4. Score d une CA A ce stade de la procédure, on dspose de regroupements de phrases relatves à un même crtère et appartenant à un même texte à l orgne. Chacune de ces phrases a été affublée d un score. Le score ρ de la CA dont le commentare χ est consttué de ces phrases est la moyenne arthmétque des scores de chacune des phrases. 5. Quelques ustfcatons Nous allons décrre les rasons qu ont gudé le chox de la chaîne de tratement décrte précédemment. L ntroducton de la phase de tr par le classfeur «fltrage phrases narratves/évaluatves» correspond à une préoccupaton récurrente dans le domane de la foulle de textes : la nécessté d extrare l nformaton ou la connassance pertnente à partr d un document. Dans notre contexte «connassance pertnente» sgnfe la connassance utle à l analyse d ntentons dans les textes, c est-à-dre la parte évaluatve des textes. On élmne les éléments de connassances non utlsables par l évaluaton car sans cela, ls perturberaent le processus. C est le prncpe qu a gudé le déf DEFT 2005 auquel nous avons partcpé 117/180

118 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère [Planté et al., 2005a]. Le challenge portat sur la dstncton de phrases étrangères dans un dscours. Plus exactement, les organsateurs du concours avaent ntrodut des phrases du présdent Mtterrand dans des dscours du présdent Jacques Chrac. Le but du concours état d dentfer correctement les phrases de Mtterrand pour ensute les élmner [Planté et al., 2005a]. La tâche de «classfcaton crtère» nte le processus de décson multcrtère (vor à ce suet [Planté et al., 2005b]). Elle permet d assocer les partes évaluatves du texte lées aux dfférents crtères de décson. L effcacté de ce classfeur dépend beaucoup du fltrage précédent. L attrbuton d un score à une phrase évaluatve nte elle, l évaluaton. Une classfcaton hérarchque permet d abord de dstnguer les textes élogeux des textes crtques relatvement à une alternatve et un crtère donnés. Dans un second temps, le recours aux superlatfs et quantfcateurs sémantques permet d affner l évaluaton. Chaque phrase consttuant le commentare d une CA assocée à un crtère porte un score, le score de la CA est défn comme étant la moyenne arthmétque des scores des phrases. Il est ben évdent qu l est tout à fat possble de chosr un autre opérateur pour cette agrégaton comme proposés dans le chaptre II, on pense en partculer aux maortés et unanmtés restrentes qu ne tolèrent pas les compensatons contrarement aux opérateurs moyennes. La tâche d aout de synonymes enrcht la sémantque de la représentaton vectorelle des textes sans augmenter la dmenson de l ndex d un classfeur. Nous avons ntrodut les synonymes après la réducton de l ndex d un classfeur. Une autre logque aurat pu être l ntroducton des synonymes avant le fltrage par calcul de l nformaton mutuelle La granularté de nos analyses est la phrase, le fable nombre de lemmes potentellement représenté dans l ndex rédut d un classfeur est une autre ustfcaton de l ntroducton des synonymes dans nos analyses. Le tratement automatque de la tâche d aout de synonymes peut être envsagé sans mettre en œuvre de processus trop lourds. Rappelons par exemple, la présentaton des synonymes proposée par le thésaurus Larousse [Larousse, 1992] : pour un mot donné m, dans un premer temps nous sont proposés les dfférents sens du mot ou pour être plus précs les dfférentes défntons d de m. Pus pour chaque défnton d des synonymes s k sont lstés. Prenons un exemple. Consdérons le mot m 1 : acteur. Et consdérons le thème «cnéma». Les dfférents sens du mot acteur que l on trouve dans le thésaurus sont : agent et coméden. S l on regarde les défntons dans un dctonnare, on peut trouver les défntons suvantes pour le mot acteur : - d 11 : Personne qu prend une part détermnante dans une acton ; - d 12 : Artste qu oue dans une pèce de théâtre ou dans un flm, coméden. A ces deux défntons correspondent deux lstes de synonymes dstnctes : - s 111 Protagonste, s 112 membre, s 113 organsateur, s 114 leader, etc. - s 121 coméden, s 122 nterprète, s 123 personnage, s 124 vedette, s 125 étole, s 126 star, s 127 baladn, etc. Les synonymes que l on retendra seront ceux assocés au domane d étude consdéré, le cnéma, c est-à-dre, les mots assocés à la défnton d 12 : s 12,1 s 122, s 123, s 124, s 125, s 126, s 127. Auourd hu, cette tâche relatvement rapde (car même s elle n est pas automatsée, elle est largement accompagnée par l outl nformatque, l outl synapse proposant déà cette lste de synonymes [Synapse, 2001]) est manuel. Il semble tout à fat envsageable de détermner 118/180

119 Chaptre V - Extracton automatsée de CAs dans un processus d évaluaton multcrtère automatquement pour un mot donné la défnton approprée au contexte en effectuant une mesure de proxmté entre les défntons et le thème d étude (c le «cnéma»). Il sufft alors de charger les synonymes assocés à cette défnton. 6. Concluson La chaîne de tratement que nous avons chose permet de trater les textes d un corpus documentare pour générer automatquement les Connassances Actonnables nécessares au processus d évaluaton multcrtère. La seule nterventon humane reste l ndexaton manuelle de la base d apprentssage (et auourd hu encore la détermnaton des synonymes pour les calculs des vecteurs d occurrences). A ce stade de tratement de l nformaton, nous sommes donc en mesure d almenter le processus d évaluaton multcrtère avec des CAs. En effet, sute à ce tratement, la CA est repérée dans le référentel du SGDC par le quntuplet (σ, χ, (α,ϕ ), ρ, τ). La base de documents est alors ndexée en CAs pour le processus de décson relatvement au référentel des n alternatves et p crtères d évaluaton. La grlle d évaluaton (crtères X alternatves) à une date t donnée peut être rensegnée : D abord, en agrégeant case par case les scores des CAs (l opérateur d agrégaton est à défnr selon la sémantque de fuson que l on désre) ; Pus, le score global de l alternatve est calculé en agrégeant les scores partels des cases correspondantes (à ce nveau, l opérateur d agrégaton modélse la stratége de décson). Ans, à chaque nstant, les CAs cumulées et gérées par le SGDC permettent une évaluaton complètement automatsée des alternatves concurrentes. Les fonctonnaltés ustfcaton des chox, contrôle de la dynamque décsonnelle par le rsque que nous avons explctées au chaptre II, peuvent être mses en œuvre. Dans le chaptre II, nous avons montré comment l état possble de détermner les dmensons crtques du processus de décson pour lesquelles des CAs addtonnelles devraent être rentrées dans le SGDC pour parvenr à une stuaton de décson stable. Le seul pré requs état qu l y at nterventon humane pour ntrodure ces CAs addtonnelles au temps suvant. Le traval que nous avons exposé dans les tros derners chaptres permet mantenant d envsager l automatsaton de cette tâche. Nous avons donc construt l actonneur (l organe de commande) de la boucle de régulaton d un processus de décson multcrtère comme exposé dans le chaptre II. Nous allons llustrer et dscuter ces propos sur une applcaton dans le chaptre qu sut. 119/180

120

121 Chaptre VI. Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club 1. Gestonnare d un vdéo-club Lste des flms canddats Crtères d évaluaton Collecte et évaluaton des crtques Consttuton de la base de connassance en vue de l apprentssage Calcul de l ndex global Écrans de sase d une nouvelle crtque Agrégaton multcrtère, ustfcaton et dentfcaton Présentaton générale de l IHM Utlsaton des grlles multcrtères La grlle Flm/Date La grlle Fm/Crtère La grlle Crtère/Date Report de nouvelles crtques sur la grlle Evaluaton du rsque décsonnel L IHM de la foncton «rsque» Calcul du rsque Sgnal de contrôle Calcul du nombre de crtques mnmum pour modfer le classement Argumentaton Argumentaton en absolu Argumentaton en relatf Scénaro d évoluton dans le temps et stratéges de contrôle Scénaro CONFIRMER Scénaro EPROUVER Scénaro LIBRE ou BOUCLE OUVERTE Concluson /180

122 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Dans ce chaptre, nous présentons une plate-forme logcelle d ade à la décson qu met en œuvre l ensemble de nos propostons sur un exemple à vocaton pédagogque mas dont le caractère générque lasse envsager de nombreuses applcatons de notre démarche ntégrée. L accent sera ben sûr ms sur les technques d extracton automatque de connassances actonnables (Chaptre III, IV et V), mas l analyse multcrtère, les notons de ustfcaton des chox et de rsque décsonnel du chaptre II seront auss largement llustrées. Nous verrons ans que notre plate-forme logcelle répond à l ensemble des spécfcatons du chaptre I. Nous avons chos d utlser des outls exstants et s possble standards et open source pour la plateforme. Ans, le prototype a été développé en langage ava, la base de connassance est une base de données gérée par le SGBD MySql. Les outls d apprentssage et de classfcaton que nous avons utlsés reposent sur la plate forme standard Weka qu propose un ensemble de classfeurs et en partculer le classfeur Bayes Multnomal [Weka Proect, ]. Cette plateforme est elle auss mplémentée en ava, ce qu a faclté l ntégraton. 1. Gestonnare d un vdéo-club Le problème que nous avons chos de trater pour llustrer notre démarche et nos outls est celu du gestonnare d un vdéo-club. L dée est la suvante : le problème décsonnel auquel est confronté le gestonnare d un vdéo-club est de gérer au meux ses nouvelles acqustons afn de répondre aux demandes de sa clentèle tout en s appuyant sur la crtque dsponble dans la presse spécalsée ou sur les stes web pour cnéphles. Sa décson porte essentellement sur le nombre d exemplares d un flm qu l dot commander en foncton du succès de celu-c lors de sa sorte sur les écrans et sur les flms à prvléger dans ses commandes en foncton de son budget nécessarement lmté. Le gestonnare s en remet à l évaluaton de masse par les cnéphles sur le web pour repérer les nvestssements les plus udceux au regard des préférences dentfées de sa clentèle (supposée stable sur l exercce!). Il auste sa stratége d achats en foncton de l adéquaton entre une bonne cote de la crtque et les goûts de ses clents. Les connassances manpulées seront donc rattachées au thème du cnéma, les connassances actonnables se rapporteront à l évaluaton de flms. Ce domane présente pluseurs caractérstques ntéressantes qu llustrent parfatement notre approche. Tout d abord, la décson repose largement sur la capacté du gestonnare à trouver et gérer les flux nformatonnels relatfs à la crtque cnématographque. En effet, l exste auourd hu de très nombreux stes sur le net qu permettent de stocker et partager l opnon des cnéphles sur tous les flms à l affche. Le gestonnare du vdéo-club peut donc dsposer de cette base et l analyser pour proeter à sx mos (l faut envron ce déla pour que le flm passe de l affche aux bacs) quels seront les DVD les plus attendus à la locaton compte tenu du retour de la crtque et la spécfcté de sa clentèle. Il y a donc clarement un problème de tratement de la quantté d nformaton. Cette masse d nformatons permet par alleurs de construre une base d apprentssage conséquente pour la calbraton des classfeurs de l applcaton. Ensute, les crtques se rapportent presque touours à un référentel d évaluaton multcrtère : les crtques se réfèrent à de multples perspectves d analyse sur les flms, comme le scénaro, la réalsaton ou l esthétque des mages, etc. Sur certans stes, l peut être exgé que les cnéphles attrbuent des scores sot numérques sot par le bas d «étoles» ou de «barres» (de 0 à 5 avec une granularté d une dem-étole ou d une dem-barre) en foncton d une lste de crtères préétable sur le ste d accuel. Néanmons, la maorté des stes lassent le 122/180

123 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club cnéphle lbre d exprmer son avs sans trame prédéfne. Exger qu une crtque sot formulée sous la forme d une évaluaton multcrtère quanttatve peut en effet être vue comme une fastdeuse tâche d ndexaton qu pourrat nure à la lberté d expresson et surtout au bon voulor des crtques amateurs qu font vvre et anment le ste. Il faut donc se doter d outls qu permettent de transcrre des crtques en langue naturelle en des scores relatfs à des crtères d évaluaton afn de décharger complètement l auteur d une crtque d une formalsaton trop astregnante. Enfn, toute la problématque autour de la stablté d une évaluaton et sa ustfcaton dans un unvers de dscours multdmensonnel se met en place dans ce contexte de recommandaton comme nous l avons défne dans le chaptre II. Le prncpe est donc de proposer au gérant un tableau de bord multcrtère qu assste le gestonnare de vdéo-club dans son recuel d évaluatons. L agrégaton multcrtère, qu modélse le comportement décsonnel de la clentèle du vdéo-club et permet au gérant d ordonner les flms les plus attendus par ses clents en foncton de leur score global, nécesste l dentfcaton d un opérateur de fuson des scores partels ; cette dentfcaton devra être menée au préalable sur une sélecton de flms soums à évaluaton des adhérents du vdéoclub et que nous précserons plus lon. Le problème du gestonnare en termes de tratement de l nformaton s llustre asément. En effet, consdérons ne serat-ce qu une dzane de flms et pour chaque flm envron 50 crtques dsponbles. Chaque crtque peut être le support de pluseurs ugements de valeur en référence à dfférents crtères d évaluaton. Il s agt donc de «découper» les crtques selon les p crtères. Ce qu donne rapdement une quantté de fragments de textes, certes courts, mas extrêmement nombreux dont le gérant ne saurat trer toute l nformaton évaluatve sans une ade nformatque. L outl dot donc, en partculer, lu offrr une synthèse de l expresson de ces opnons et automatser autant que ce peut l évaluaton multcrtère. La fgure c-après reprend le modèle général sur lequel nous avons conclu au chaptre II, nstancé au problème du gérant de vdéo-club (Fgure VI.1). Pour un classement à un nstant donné obtenu par comparason des scores agrégés des flms en compétton, le système estme l ncerttude épstémque (mesurée par la stablté du classement) au vu des crtques dsponbles à cet nstant et détermne les crtères les plus susceptbles de pouvor perturber ce classement s de nouvelles crtques venaent à être rentrées dans la base (calcul du rsque décsonnel). La battere de classfeurs que nous avons défne dans le chaptre précédent reçot alors ce «sgnal de commande» et recherche automatquement, sur un ensemble de bases présélectonnées, les CAs correspondant aux dmensons dentfées par le calcul du rsque décsonnel. Incerttude décsonnelle Dmensons crtques de l évaluaton Nveau d ncerttude admssble Recuel Collecte Crtques Inerte psychologque Cabale Intellectualsme Agressvté Commercale Interprétaton Évaluaton Multcrtère Classement des flms Justfcaton de la sélecton Sélecton des crtques les plus dscrmnantes Légtmaton de la poltque de geston du vdéo-club Analyse de la sensblté Calcul de l ncerttude décsonnelle Fgure VI.1 : Le processus de décson multcrtère du gestonnare de vdéo-club 123/180

124 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Le processus de sélecton de flms s apparente donc à un système dynamque qu peut être ploté par le rsque décsonnel, mesuré comme nous l avons explqué au chaptre II par la stablté du classement. Tant que le rsque décsonnel reste au-delà d un seul admssble, l ncerttude épstémque est ugée trop mportante pour que le gérant pusse arrêter sa sélecton «serenement». La base de crtques dont l dspose ne content pas les arguments nécessares et suffsants pour que son arbtrage pusse être ustfé aux yeux de ses clents. Il a beson de nouvelles crtques : le calcul du rsque décsonnel ndque les dmensons du processus d évaluaton qu prédsposent le système à l nstablté. Le système d nformaton recherche alors de nouvelles crtques qu sont soumses aux classfeurs de CAs pour produre une évaluaton au temps suvant. La boucle de contrôle est actve usqu à ce que le rsque décsonnel devenne acceptable, le système a alors construt un argumentare du nouveau classement : le gérant peut fare valor les crtques qu ont eu le rôle le plus dscrmnant dans sa sélecton. Notre problématque dffère donc des flms recommenders classques du net [Akharraz et al., 2003; Perny et al., 2001]. Ces classfeurs sont généralement basés sur des technques de content-mnng ou de profl-mnng à destnaton de l ndvdu. Ic, le gestonnare a la responsablté d acquérr les flms susceptbles de satsfare au meux la communauté des adhérents du vdéo-club [Balabanovc et al., 1997; Basu et al., 1998; Herlocker et al., 2000; Hll et al., 1995; Mukheree et al., 2001]. Les flms sont évalués à travers un certan nombre de crtères que nous allons décrre au paragraphe 1.2. Une note partelle est attrbuée à chaque flm canddat selon chaque crtère sur la base des crtques collectées sur ce flm et sous l angle d analyse de ce crtère : elle est obtenue par agrégaton des scores ρ des CAs calculés par les classfeurs. Au vu de ces évaluatons partelles sur chaque crtère, une note globale peut ensute être attrbuée au flm avec un second nveau d agrégaton. L opérateur d agrégaton synthétse alors la spécfcté, les préférences et les prortés des adhérents. Les flms sont ensute classés en foncton de leur score global et les scores sont ustfés par des extrats de crtques (les commentares χ des CAs). On retrouve ben dans ce processus les concepts de ustfcaton des chaptres I et II : les scores sont des nformatons certes synthétques mas qu ne sauraent remplacer les arguments rhétorques que sont les textes des crtques. Le gestonnare dot préparer un argumentare de sa sélecton pour répondre à toute réclamaton : l pourra, par exemple, édter à cet effet une gazette annonçant les nouveautés assortes des élogeuses crtques que le SIAD aura «construtes» et gérées pour lu. Le problème du gestonnare du vdéo-club va nous permettre d llustrer la chaîne de l nformaton complète comme proposée sur la Fgure VI.1 : tratement automatque des crtques collectées sur le net, scorng automatque des crtques, évaluaton multcrtère, calcul du rsque décsonnel et ustfcaton de la logque de décson. Notre contrbuton technque ayant plus spécfquement portée sur la constructon automatque de CAs, une place prvlégée est réservée à cette actvté Lste des flms canddats Pour llustrer nos propos, nous nous sommes lmtés à une sélecton de 5 flms : - Le pacte des loups (flm fantastque) ; - Love actually (coméde romantque) ; - Immortel (flm de scence fcton et d anmaton) ; - Meurs un autre our (flm d acton) ; - Cube (thrller et flm de scence fcton). 124/180

125 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club 1.2. Crtères d évaluaton Les crtères utlsés pour évaluer les flms sont détermnés au préalable par le gestonnare du vdéo-club qu s est lvré à une étude des goûts de sa clentèle (cf paragraphe 3.3.2). Touours hors applcaton, une base d apprentssage propre à chaque crtère est élaborée. Cette base content un ensemble de crtques qu ont été attrbuées «manuellement» au crtère. Dans notre applcaton, les crtères retenus sont les suvants : - Acteur : qualté du eu d acteur, nterprétaton, etc. - Scénaro : qualté du scénaro, structure de l hstore, orgnalté du scénaro, etc. - Réalsaton : mse en scène, effets spécaux, cohérence entre les séquences, mse en mage, traducton du scénaro, etc. 2. Collecte et évaluaton des crtques Le calcul du rsque décsonnel ndque sur quels couples (crtère α ; alternatve ϕ ), de nouvelles crtques dovent être ntégrées dans la base dédée à l évaluaton. Les classfeurs sont alors lancés pour rechercher, construre et noter les CAs. On peut donc consdérer que le moteur de recherche qu rapatre les textes depus le net et les classfeurs de CAs consttuent l actonneur ou organe de commande de la boucle de contrôle de la Fgure VI.1.Cet actonneur collecte les crtques, les décompose en fragments textuels relatfs aux crtères et enfn leur attrbue un score pour créer les CAs. L actonneur repose sur la procédure de tratement de l nformaton du chaptre V Consttuton de la base de connassance en vue de l apprentssage Ce processus nécesste la consttuton d une base de connassance permettant l apprentssage et le calbrage des classfeurs nécessares à l évaluaton multcrtère. Nous avons collecté un ensemble de crtques sur Internet : 398 crtques se rapportant à 137 flms, sot 4533 phrases. Le processus manuel d ndexaton de la base d apprentssage a été smplfé. Nous avons décomposé un sous-ensemble de textes de crtques en deux partes : «texte_synopss» (fragments de texte non évaluatfs), «texte_évaluaton». Chaque «texte_évaluaton» a ensute été décomposé en tros extrats correspondant aux tros crtères. Enfn, les notes P, N, TP, TN ont été attrbuées à chaque extrat de texte et non à chaque phrase. Nous avons chos cette procédure afn de smplfer la tâche d ndexaton manuelle Calcul de l ndex global Dans le processus d apprentssage de la méthode du chaptre V, fgure également le calcul de l ndex complet qu permet d établr la représentaton vectorelle des textes à trater. Ce calcul sur la base d apprentssage de flms a donné leu à un ndex total de mots lemmatsés. Tous les tratements que nous allons décrre utlsent cette base de connassance et l ndex complet Écrans de sase d une nouvelle crtque L écran de la Fgure VI.2 llustre la chaîne de tratement des crtques de flms, préparatore à l évaluaton multcrtère. Nous allons llustrer le tratement d une crtque de flm que nous souhatons nsérer dans la base de connassance. Ce processus, décrt dans le chaptre précédent, comporte pluseurs étapes que nous allons reprendre sur notre applcaton c-après. 125/180

126 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Fgure VI.2 Ecran de sase d une nouvelle crtque Chox automatque du type de classfeur Nous dsposons d une bblothèque de classfeurs. Les classfeurs sont choss automatquement par notre système en phase d apprentssage parm ceux que nous avons évoqués au chaptre précédent (Bayes Multnomal, Arbre de Décson, SVM). Nous avons également ntégré dans cette lste des classfeurs dérvés du classfeur de Bayes Multnomal (que nous n avons pas mentonnés dans ce document) qu permettent de corrger certans bas de celu-c. Il ne s agt pas dans notre étude de démontrer la ustfcaton théorque mathématque d un classfeur car le tratement automatque du langage naturel (TALN) consttue un domane où l usage de classfeurs bénéfce déà d un certan retour 126/180

127 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club d expérence. Les classfeurs les plus utlsés en TALN sont dsponbles sur la plate forme standard Weka. Nous avons donc procédé de manère pragmatque et systématque en testant tous les classfeurs dsponbles sur la base d apprentssage qu devent un benchmark. Les classfeurs sont ugés sur deux caractérstques prncpales : - la réusste de la classfcaton mesurée par la mesure F-score ; - le temps de calcul. Comme dscuté au chaptre IV, le F-score consttue le melleur comproms de mesure dans notre problématque [Rsbergen, 1979]. La rapdté des calculs est a pror un facteur de mondre mportance. Néanmons, s l on magne que les classfeurs dovent être recalculés régulèrement pour des rasons d évoluton de la défnton du domane, autrement dt de l ndex et l aout de nouvelles crtques ntégrées dans le processus d apprentssage (ne serat-ce que l adaptablté du système aux nouveaux noms du cnéma, à l évoluton des crtères), les temps de calcul dovent être nféreurs à quelques mnutes. Quand le nombre de vecteurs est mportant et que l ndex complet est de grande dmenson, les temps de calculs peuvent dépasser pour certans types de classfeurs l heure de calcul. Ans, le calcul de F-score est effectué pour pluseurs types de classfeurs en phase d apprentssage et le classfeur avec le melleur F-score est mplémenté dans le SIAD. Cependant, dans la grande maorté des cas, le classfeur Naïve Bayes Multnomal a donné les melleurs résultats Premère étape de fltrage de texte - La premère acton est de charger un fcher texte relatf à un flm donné et réputé contenr une crtque par l ntermédare du bouton «charger crtque». Le texte apparaît alors dans la zone «texte orgnal». Prenons c l exemple d une crtque assocée au flm «Le pacte des Loups». Le texte que nous voyons affché sur la Fgure VI.2 comprend un ensemble de phrases à fltrer conformément à la chaîne de tratement du chaptre précédent ; - La deuxème acton consste à séparer le texte en deux sous-ensembles de phrases : les phrases évaluatves et les phrases hors contexte d évaluaton. Cette acton est commandée par l ntermédare du bouton «Extrare parte crtque». Dans notre applcaton d évaluaton de flms, cette étape consste donc à séparer : - les phrases ne portant aucun ugement de valeur, c'est-à-dre les phrases smplement destnées à décrre le flm suet de la crtque, ce que l on appelle classquement dans le domane du cnéma : le synopss ; - les phrases contenant la parte évaluatve de la crtque. - Le résultat du fltrage est un texte affché dans la zone «parte crtque» : l content toutes les phrases classées évaluatves. Les phrases réputées consttuer le synopss ont été supprmées dans cette zone d affchage. Dans notre exemple, le fltrage a supprmé la phrase : «Le flm décrt de façon romancée la traque et la capture d'une bête féroce certanement un loup qu terrorsat la régon du Gévaudan en France» qu l a donc classée «synopss». Ce synopss consttuera la synthèse (σ) de toutes les CAs générées depus cette crtque. 127/180

128 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Pour le calcul de ce classfeur, nous avons utlsé l ensemble d apprentssage ECr HC dans lequel chaque crtque de flm est scndée manuellement en deux partes : la parte «synopss» et la parte crtque. Nous consttuons ans les deux sous-ensembles : () EHC contenant tous les extrats de textes assocés aux synopss des crtques ; () ECr contenant tous les extrats de textes assocés à la parte évaluatve des crtques. Chaque texte de E HC comme de E Cr est ensute consdéré comme un ensemble de phrases conformément à la démarche décrte dans le chaptre V. Nous effectuons en premer leu une réducton de l ndex complet. Ce calcul sélectonne un ensemble de 520 lemmes dscrmnants sélectonnés dans l ndex complet de Le nombre de phrases de la base d apprentssage est de 1978, répartes en 978 phrases «synopss» et 1000 phrases «évaluatves». Nous calculons le classfeur Naïve Bayes Multnomal pour cette base d apprentssage. Nous l évaluons par une procédure de valdaton crosée. Les résultats sont tout à fat satsfasants et récaptulés dans le tableau suvant : Précson Rappel F-score Classe crtque 84,8% 82,3 83,5 Classe synopss 83,2% 85,6 84,4 Au total le classfeur classe correctement 84% des phrases Catégorsaton «crtère» A cette étape, les phrases évaluatves sont assocées aux crtères scénaro, réalsaton et acteur. Cette acton est lancée va le bouton «Décomposer en crtères». Assocé à un crtère, un texte évaluatf est le commentare χ d une CA. Le résultat de cette décomposton est affché dans les zones : «texte crtère : scénaro», «texte crtère : réalsaton» et «texte crtère : acteur» de la Fgure VI.2. Sur l exemple, c est le crtère «réalsaton» qu est le meux rensegné après décomposton de la crtque ntale. Pour le calcul de ce classfeur, nous avons utlsé l ensemble d apprentssage ECr dans lequel l utlsateur assoce chaque phrase à un crtère. Pus, nous utlsons la procédure du chaptre V pour calculer le classfeur. Nous construsons l ndex rédut. Ce calcul donne un sousensemble de 130 lemmes dscrmnants sélectonnés dans l ndex complet. Les 978 phrases de ECr sont répartes de la façon suvante : 278 phrases appartenant au crtère acteur, 491 phrases appartenant au crtère réalsaton et 209 phrases appartenant au crtère scénaro. Le classfeur Naïve Bayes Multnomal s avère être le melleur classfeur sur la base d apprentssage. On met en place une procédure de valdaton crosée pour évaluer ses performances récaptulées dans le tableau c-contre : Précson Rappel F-score Classe acteur 89,2% 62,6 73,6 Classe réalsaton 70,8% 95,1 81,1 Classe scénaro 89,4% 52,6 66,3 128/180

129 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Au total, le classfeur classe correctement 77% des phrases. Sot : On constate que les scores obtenus peuvent paraître plus mtgés que pour le classfeur de la tâche de fltrage. Ils sont dus prncpalement au fat que la classe «réalsaton» a tendance à récupérer des ndvdus des autres classes. Cec s explque par le fat que le concept de réalsaton recouvre en parte les dées des deux autres crtères. Prenons un autre exemple de ce tratement pour le texte suvant : «Le flm est très maladrot. Hélas pour aouter à cela, l'hstore est très mal construte. L'nterprétaton est malheureusement décevante.» Le classfeur classe les phrases selon le tableau suvant : Crtère Réalsaton Crtère Scénaro Crtère Acteur Le flm est très maladrot. Hélas pour aouter à cela, l'hstore est très mal construte. L'nterprétaton est malheureusement décevante. A l ssue des classfcatons fltrage et crtère, les textes évaluatfs ont été assocés aux crtères. Autrement dt, à ce stade du tratement les champs (synthèse (σ), commentare (χ), crtère x flm (α,ϕ )) des CAs sont rensegnés Attrbuton automatque d un score Acteur Réalsaton Scénaro Acteur Réalsaton scénaro Cette étape consste à attrbuer automatquement un score à chaque commentare χ de CA. Chaque phrase est analysée et notée conformément au processus hérarchque décrt au chaptre 5. Les scores des phrases de χ sont ensute agrégés afn d assocer un score à χ. Ce score partel ρ est l évaluaton du flm ϕ au regard du crtère α. Cette tâche est lancée par l ntermédare du bouton «NOTER». Le résultat est l affchage de tros notes dans les zones : «Note R», «Note S», «Note A» correspondant aux tros crtères (s le texte évaluatf a donné leu à la créaton de tros CAs se rapportant aux tros crtères ben sûr). Le classfeur a évalué chacune des phrases du texte évaluatf comme ndqué c-dessous. Phrase Note Crtère Réalsaton : Chrstophe Gans réusst avec ce flm, un génal mélange des genres. 18 Flm hstorque à la base nspré d'une légende ancestrale, mas flmé d'une 18 manère totalement novatrce, mêlant à la fos du suspense lé à une ntrgue ben présente, et des scènes de combats dgnes des plus grands flms d'acton, le tout en costumes d'époque. C'est du grand spectacle! 18 Crtère Scénaro : L'auteur raconte une très belle hstore. 18 Crtère Acteur : Les acteurs sont rréprochables, on retrouve un Samuel Le Bhan obstné 18 usqu'à découvrr la vérté, un éngmatque Mark Dacascos, une graceuse Emle Dequenne, une mystéreuse Monca Bellucc, et un Vncent Cassel auss louche qu'à son habtude. 129/180

130 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Dans cet exemple toutes les phrases ont été assocées à 18 correspondant à l évaluaton TP «très postve». La note du crtère réalsaton au regard de cette crtque est la moyenne des notes de chaque phrase du texte assocé à ce crtère. Les textes des deux autres crtères ne comprennent qu une seule phrase. Sur l exemple, la crtque ntale a donc donné leu à la créaton de tros CAs relatves aux tros crtères, toutes tros extrêmement postves. Dans cette descrpton, nous avons explqué à des fns pédagogques l enchaînement des tâches va les boutons de commande, l va de so que cette séquence peut fare l obet d un scrpt lancé sur une base de crtques qu générera de façon complètement automatque toutes les CAs. Revenons sur les performances des classfeurs qu attrbuent les scores. Classfcaton P/N. Dans un premer temps, on cherche smplement à savor s le commentare χ de la CA est postf ou négatf. Nous utlsons la procédure générque décrte au chaptre V. L ndex rédut ramène la dmenson de l espace vectorel assocé au classfeur P/N à 580 lemmes dscrmnants. Le nombre de phrases de l ensemble d apprentssage EP N = ETP EP EN ETN est de 4533, sot 2692 phrases appartenant à la catégore P, 1841 à la catégore N. Le classfeur Naïve Bayes Multnomal est retenu. Les performances du classfeur sont testées par valdaton crosée. Le résultat est très encourageant pusqu au total le classfeur classe correctement 75% des phrases. Précson Rappel F-score Classe postf 74,2% 88,2 80,6 Classe négatf 76,2% 55,2 64,1 Certanes performances mérteraent d être amélorées. La qualté du classement dépend de la consttuton de la base de connassance. Actuellement, chaque commentare χ de CA a été ugé globalement postf ou négatf (pour l apprentssage, les phrases de χ hértent donc d un même score), car ce ugement n a pas été effectué au nveau de chaque phrase. En effet cela représente un traval d ndexaton manuelle mportant qu l n est pas envsageable de transposer dans un envronnement réel. Une façon d amélorer les performances serat un raffnement de l ndexaton de la base d apprentssage. Ce classfeur permet donc d obtenr un classement de chaque phrase en postf ou négatf. Le résultat de cette étape est donc une note globale qualtatve P ou N correspondant à la moyenne des notes de chaque phrase de χ, qu est affnée à l étape suvante. Classfcaton N/TN. La deuxème étape du processus hérarchque d évaluaton est de quantfer le score qualtatf précédent. Ic, on souhate smplement dstnguer deux nveaux de quantfcaton : négatf N et très négatf TN. L ndex rédut ramène l espace de représentaton dédé au classfeur à 330 lemmes contre dans l ndex complet. EN TN = EN ETN comprend 1841 phrases, dont 1207 TN et 634 N. Sur la base d une valdaton crosée, nous obtenons des résultats très encourageants pour un Bayes multnomal : Précson Rappel fscore Classe postf 80,4% 95,9 87,5 Classe négatf 87,8% 55,4 67,9 Sot au total le classfeur classe correctement 75% des phrases. On constate dans le tableau suvant que certans scores obtenus sont mtgés (le rappel de la classe N). Les mauvas scores sont essentellement dus aux crtques N classées TN. Cette 130/180

131 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club classfcaton est plus dffcle que les précédentes parce qu elle fat appel à des nuances de langage plus subtles. L dée de base est qu une crtque est classée TN lorsqu l y at fat usage de superlatfs ou ben que les termes employés sont «au-delà de la norme» (nul, à oubler au plus vte, navrant, etc). Malheureusement, nombre de crtques smplement négatves font appel à ces mots, mas dans une tournure, un contexte qu leur retrent leur «vrulence». La qualté de la base d apprentssage dot être partculèrement sognée pour que cette classfcaton prétende au même nveau de performance que les précédentes. Mas, ce n état pas l obectf de cette étude. Nous souhatons montrer dans ce chaptre dédé à une applcaton où l erreur n est pas crucale, que la mse en œuvre de la méthode état accessble à tous et qu une phase d apprentssage à «fable coût» permettat déà d avor des résultats souvent amplement suffsants. En effet, l une des rasons maeures qu dédramatse l erreur de classfcaton est que l obectf est de fare remonter au gestonnare du vdéo-club les crtques qu soutennent sa poltque d acquston, pus, seuls 2 à 5 % de ces crtques seront utlsés pour ustfer de cette poltque auprès de ses adhérents et publées dans la gazette du vdéo-club. Très négatf Négatf Très négatf Négatf Ce classfeur permet donc d obtenr un classement de chaque phrase en très négatf ou négatf. Le résultat de cette étape est donc une note défntve TN ou N qu sera transformée pour les calculs d agrégaton, en note sur 20 : 3 pour TN et 8 pour N. Classfcaton P/TP. La procédure est parfatement symétrque à la précédente. L ndex du classfeur est de 170 lemmes contre les de l ndex complet. L ensemble d apprentssage E P TP = E P E TP comprend 283 phrases consttuées de 97 phrases appartenant à la catégore très postf TP, 186 phrases appartenant à la catégore postf. Les performances sont tout à fat favorables pusqu au total le classfeur classe correctement 73% des phrases. Précson Rappel F-score Classe très postf 56,5% 89,7 69,3 Classe postf 92,2% 64 75,6 Très postf postf Très postf postf Ce classfeur permet donc d obtenr un classement de chaque phrase en très postf et postf. Le résultat de cette étape est donc une note défntve très postf TP ou postf P qu sera transformée pour la sute des tratements du SIAD en note sur 20 : 18 pour TP et 13 pour P Varaton des notes calculées par la notaton automatque Pour llustrer la varaton du résultat de la notaton hérarchque nous montrons c-dessous les notatons pour le texte suvant déà mentonné précédemment : «Le flm est très maladrot. Hélas pour aouter à cela, l'hstore est très mal construte. L'nterprétaton est malheureusement décevante.». 131/180

132 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club La notaton automatque est commandée par l ntermédare du bouton «NOTER». Le résultat est composé de tros notes affchés dans les zones : «Note R», «Note S», «Note A». Le classfeur a évalué chaque phrase comme ndqué c-dessous. Phrase Note Crtère Réalsaton : Le flm est très maladrot. 3 Crtère Scénaro : Hélas pour aouter à cela, l'hstore est très mal construte. 3 Crtère Acteur : L'nterprétaton est malheureusement décevante Synthèse L évaluaton précédente termne le processus d acquston d une nouvelle crtque. Il ne manquat que le champ ρ des CAs générées depus la crtque, le voc mantenant rensegné. Les processus ms en œuvre ne requert pas d nterventon humane une fos les bases d apprentssage rensegnées. Un smple scrpt assure l enchaînement des classfeurs sur des bases de crtques dsponbles sur le net. La dernère étape est alors de reporter ces éléments sur la grlle d analyse multcrtère par le bouton «reporter notes sur grlle». Nous verrons cette foncton au paragraphe Agrégaton multcrtère, ustfcaton et dentfcaton Chaque CA est assocée à un score ρ et un couple crtère x alternatve (α,ϕ ). L évaluaton de ϕ sous l angle d analyse de α est le résultat de l agrégaton de tous les scores ρ des CAs relatves au couple (α,ϕ ). C est le score partel ρ α de ϕ au regard de α. Les commentares de ces CAs reflètent et explquent le résultat numérque de l agrégaton. Dans un second temps, l agrégaton des ρ α selon un opérateur défn au préalable donne accès à l évaluaton globale de ϕ. Les fonctons d agrégaton que nous avons choses c sont la moyenne arthmétque au nveau d un couple (α,ϕ ) et une moyenne pondérée pour l agrégaton qu rend le score global. Nous revendrons sur l dentfcaton des pods de la moyenne pondérée sur la base d une enquête auprès des adhérents du vdéo-club au paragraphe D autres fonctons d agrégaton plus élaborées ont été proposées dans le chaptre II de ce manuscrt, pour lesquelles nous avons étendu les concepts de ustfcaton et de rsque décsonnel, mas l obet de ce chaptre est davantage de mettre en avant la chaîne de tratement complète depus l acquston des crtques cnématographques usqu au contrôle par l ncerttude épstémque que de manpuler des outls mathématques complexes. Le concept d Interface Homme/machne au centre de cette étape est la grlle multcrtère ntrodute au chaptre II et présentée également dans [Planté et al., 2005b]. Reprenons ce concept d IHM pour l applcaton au vdéo-club. Nous allons montrer dans cette secton comment nous utlsons les CAs dans l analyse multcrtère. Notre applcaton met en oeuvre pluseurs grlles : - la grlle Flm/Date consttuant la grlle générale de notre applcaton : elle donne les scores des flms en foncton du temps ; - la grlle Flm/Crtère à une date donnée : elle donne les scores partels des flms à une date fxée ; 132/180

133 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club - la grlle Crtère/Date pour un flm donné : elle donne les scores partels du flm en foncton du temps. Ces tros grlles consttuent l ossature de l IHM du SIAD supportant toute la chaîne de tratement, de l ntroducton et la geston des crtques dans la base de connassance à l argumentaton automatque et la sélecton des melleurs canddats. Pluseurs scénar en llustreront l utlsaton Présentaton générale de l IHM La Fgure VI.3 est la grlle Flm/Crtère au 15 ma Elle crose les flms en «compétton» et les crtères de ugement. Fgure VI.3 : Grlle multcrtère Flm/Crtère Chaque colonne de la grlle représente un flm. Les lgnes de la grlle représentent les crtères de ugement permettant l évaluaton du flm. L affchage contenu dans chaque case de la grlle propose tros ndcateurs : - une note au centre de la cellule qu est l agrégaton de tous les scores des CAs correspondant au crtère désgné par la lgne et au flm désgné par la colonne. Il s agt c de la moyenne arthmétque des scores des CAs. C est un nombre comprs entre 0 et 20 qu donne l évaluaton du flm désgné par la colonne pour le crtère désgné par la lgne ; - une couleur qu d un pont de vue purement nformatf est redondante avec la valeur moyenne des scores des CAs de la case. La correspondance entre les couleurs attrbuées et les scores est explctée plus lon à la Fgure VI.4 ; - un nombre en bas à drote de la case ndque le nombre de CAs cumulées pour le crtère consdéré à la date d édton de la grlle. Les couleurs permettent très rapdement d avor une évaluaton vsuelle de chaque canddat et une vson plus synthétque de la poston relatve de chaque canddat et ce, pour chaque crtère Explcaton des codes de couleurs Chaque case présente une couleur qu vare graduellement du rouge au vert en foncton du score (vor Fgure VI.4). La varaton graduelle est structurée autour de 5 couleurs : - la couleur rouge pour la note 0, - la couleur orange pour la note 5, - la couleur aune pour la note 10, - la couleur verte pour la note 15, - la couleur vert foncé, pour la note /180

134 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Les autres couleurs ne sont que des barycentres de deux couleurs adacentes. Fgure VI.4 : Notes assocées aux couleurs de la grlle Généralsaton de la grlle Flm/Crtère La grlle multcrtère Flm/Crtère est en fat une vson détallée d une grlle plus générale qu présente de façon plus synthétque les dfférents canddats à évaluer en foncton du temps. Ce vértable tableau de bord est l obet du prochan paragraphe qu présente l enchaînement des dfférentes grlles multcrtères Utlsaton des grlles multcrtères La grlle Flm/Date donne les scores des flms en foncton du temps. Elle consttue le tableau de bord de plus haut nveau pour suvre la cote des flms analysés. D un coup d œl, l est facle pour le gestonnare du vdéo-club de savor en temps réel quels sont les flms les plus apprécés de la crtque, mas auss d être rensegné sur les tendances d évoluton des scores (par exemple, un flm boudé par la crtque offcelle à sa sorte, mas qu, grâce au bouche à orelle, fnt par recuellr un franc succès en salle, aura un score ntal médocre mas qu ne cessera de s amélorer ; pour le gestonnare, cela est synonyme de gros succès populare). La grlle Flm/Date permet d aller de la vson du processus la plus synthétque qu sot usqu à la vson détallée de chaque élément partcpant à la décson va les fonctonnaltés d explcaton. Ans, s l on consdère le scénaro de la Fgure VI.5, sur la premère grlle (la grlle Flm/Date), on peut observer l évoluton des scores des cnq flms en compétton sur 6 semanes avec une pérode d échantllonnage d une semane. Immortel et Cube se détachent au temps courant (15 ma 2004), alors que Le pacte des loups se tent bon derner. Le gestonnare du vdéo-club peut alors chercher à savor pourquo un flm auss médatsé que Le pacte des loups accuse un tel retard. Il demande alors une explcaton au SIAD qu lu retourne la grlle Crtère/Date pour Le pacte des loups. La réalsaton apparaît alors comme le pont fable du flm. Depus la grlle Flm/Date, le gestonnare peut auss s nterroger sur les rasons qu ont fat que le classement au 15 ma 2004 est tel qu l est. Le SIAD renvoe cette fos-c une grlle d explcaton au 15 ma 2004 sous la forme d une grlle Flm/Crtère qu explcte les scores des flms par leurs scores partels relatvement aux tros crtères d évaluaton. 134/180

135 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club 3.3. La grlle Flm/Date Fgure VI.5 : Les grlles mult-crtères et l explcaton Cette grlle (Fgure VI.6) donne au gestonnare la vson globale de l évoluton des scores des flms. C est la tableau de bord ou l IHM de supervson. La cartographe vsuelle est touours plus facle à nterpréter que le seul résultat numérque. Cette grlle se lt de la façon suvante : - Les crtques ont été ntégrées dans la base de connassance de façon contnue sur une pérode du 10 avrl au 15 ma 2004 ; - Les calculs d agrégaton des scores sont effectués sur une pérode d échantllonnage d une semane. Fgure VI.6 : Grlle flm/date Les colonnes de la grlle sont les dates d évaluaton, les lgnes de la grlle les flms à analyser. L affchage contenu dans chaque case content tros nformatons : - une note au centre de la cellule qu est l agrégaton des scores partels relatvement aux tros crtères pour le flm consdéré. Nous avons retenu la moyenne pondérée à 135/180

136 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club cette étape de la fuson des CAs. Nous détallons l expérmentaton mse en œuvre par le gestonnare du vdéo-club pour détermner les paramètres de cette moyenne pondérée dans le paragraphe qu sut ; - une couleur qu ne fat que reprendre vsuellement le résultat de la moyenne pondérée ; - un nombre en bas à drote de la case qu ndque le nombre de CAs cumulées usque la date ndquée par la colonne Mode de calcul de la moyenne pondérée Le score partel d un flm relatvement au crtère c est la moyenne arthmétque des scores de ses CAs relatvement à c. Sot u où u le score partel du flm n k = 1 f selon le crtère c : 1 = CA, k ( ρ) VI-1 n n est le nombre de crtques cumulées à une date donnée par le flm c et où CA, ( ρ) est le score de la k ème crtque du flm k Chaque case de la grlle Flm/date donne l évaluaton d un flm évaluaton est la moyenne pondérée des scores partels Sot u le score de f : pods assocé au crtère c, avec u C = 1 f selon le crtère c. u. f selon le crtère f à une date donnée. Cette = p. u, avec C le cardnal de l ensemble des crtères, p le C p = 1. = 1 Les pods p sont supposés avor été défns au préalable. On peut magner que ces pods sont mposés par les canons du cnéma. Mas, on peut également penser que ces pods permettent d appréhender les goûts et prortés des clents du vdéo-club. Il s agt alors d un problème d dentfcaton paramétrque Indentfcaton du comportement collectf Nous proposons une méthode fondée sur la prse en compte des avs des utlsateurs pour dentfer les paramètres (les pods) de la moyenne pondérée. En effet, le gestonnare du vdéo-club cherche à détermner comben d exemplares de chaque flm sélectonné l dot commander, l semble évdent que cela dépend des préférences cnématographques de sa clentèle. Les pods de chacun des crtères se dovent de représenter les prortés de la clentèle. Sur la base d une campagne d évaluaton, nous proposons le calcul automatque de ces pods. Nous proposons également d dentfer les membres les plus représentatfs du comportement de la clentèle. En effet, ces «prototypes» permettent d antcper les tendances de la consommaton par la clentèle du vdéo-club et donc de meux acheter. Pour consttuer la base de données nécessare à cet apprentssage, le gestonnare du vdéoclub propose à quelques uns de ses adhérents de partcper à une enquête. Pour un ensemble de flms-tests donné, l demande à chacun d attrbuer pour les flms qu lu sont soums : - Un score partel par crtère, sot tros notes par flm ; 136/180

137 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club - Un score global d apprécaton du flm Identfcaton des pods de la moyenne pondérée On suppose donc que le modèle qu le un score global aux scores partels des crtères est lnéare et on cherche à détermner les coeffcents de pondératon de chacun des crtères. Pour résoudre ce problème nous utlsons le prncpe d approxmaton des mondres carrés, en cherchant à mnmser l erreur quadratque. Nous défnssons les symboles suvants : - l ndce du crtère, - C le cardnal de l ensemble des crtères, - m le nombre de tests, c est-à-dre le nombre d évaluatons retournées par les clents, - p le pods assocé au crtère c, - x le score attrbué selon le crtère lors de l évaluaton ; - y le score global attrbué lors de l évaluaton. Nous utlsons la méthode des multplcateurs de Lagrange. Pour résoudre le problème, on 2 forme donc le Lagrangen suvant : L = ( (( p x ) y ) ) λ(( p ) 1) mnmser l erreur quadratque m C 2 ( (( p x ) y ) ) = 1 = 1 m C. On cherche à = 1 = 1 = 1 C sous la contrante On annule les dérvées partelles de L, c est-à-dre les L p et L : λ m m m m L p =0 L = 2 2. p. x + 2.( ( pk.( x xk ))) 2. x. y λ = 0 p = 1 k = 1 = 1 C p = 1. pour tout. = 1 et C =0 ( p ) 1 = 0. L λ = 1 On a donc m+1 équatons pour les m+1 nconnues p, Ce qu se tradut sous la forme matrcelle : m m m m 2 x1 x1 x2... x1 x... x1 xc = 1 = 1 = 1 = 1 m m m m 2 x x1. x x2.... x.... x x. C = 1 = 1 = 1 = 1 m m m m 2 x x1 x x2... x x... x C C C C = 1 = 1 = 1 = 1 et λ. m 1 2 x1 y = 1 p m p x y = 1. 2 = p 1 c m λ 2 x y C = VI-2 137/180

138 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Que l on notera = A P B où P étant le vecteur estmé des pods. La résoluton de ce système lnéare fournt le modèle lnéare recherché, relant scores partels et scores globaux. Ce modèle est la melleure approxmaton au sens des mondres carrés que l on pusse obtenr pour rendre compte de la façon dont les adhérents du vdéo-club agrègent les scores partels pour obtenr leur évaluaton globale. Dans notre applcaton, certans clents se sont donc prêtés à une évaluaton complète sur une base de flms-tests. Les résultats sont les suvants : le pods de Réalsaton est 0.5, celu de Acteur est et celu de Scénaro Identfcaton des prototypes A ce stade, nous avons montré qu l exste un opérateur d agrégaton qu synthétse de façon satsfasante la façon dont les clents attrbuent une note globale à un flm depus les notes partelles de ce flm. Mantenant, pour dentfer les ndvdus les plus représentatfs de la populaton du vdéo-club, nous procédons en deux temps. Tout d abord nous tentons d dentfer qualtatvement s l exste des groupes homogènes d adhérents, pus nous utlsons une méthode d dentfcaton plus précse de ces groupes, et enfn nous cherchons les ndvdus les plus représentatfs de ces groupes. Pour un flm donné, un ndvdu est représenté par les tros scores partels qu l attrbue au flm (on n utlse pas le score global pusque, de par l étape précédente, on consdère que celu-c n est qu une combnason lnéare des tros scores partels ndépendamment de l ndvdu). Sur cet espace à tros dmensons et touours pour un flm donné, on procède alors à une analyse en composante prncpale (ACP). Elle permet de se fxer smplement sur l exstence ou non de groupes de clents ayant des goûts cnématographques vosns. Groupe d ndvdus homogènes Fgure VI.7 : Une vue de l ACP sur l espace ntal des évaluatons partelles. L ensemble des vues de l ACP, pour notre applcaton, montre qu l exste tros comportements évaluatfs ben dstncts pour le flm soums à la crtque. Pour affner notre catégorsaton, nous avons recours à la technque de «Clusterng Hérarchque» [Hartgan, 1975; Jan et al., 1999]. 138/180

139 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Cette méthode consste à calculer la dstance entre les n ndvdus à regrouper. Les deux ndvdus les plus proches sont remplacés par un barycentre (par défaut leur mleu). Il reste alors n-1 ponts, les dstances sont calculées à nouveau. On rétère l opératon autant que nécessare, l ACP ayant fourn le nombre de clusters à rechercher. Une hérarche de regroupement se consttue ans comme ndqué sur la Fgure VI.8. A la sute de ces calculs, nous obtenons les groupes homogènes d ndvdus dont on connaît par constructon le barycentre («ndvdu fctf»). Il sufft alors de chosr les ndvdus les plus proches de ce barycentre pour prototypes de la clentèle. Sur l exemple, pour chacun des tros clusters, quelques ndvdus seront retenus par le gérant du vdéo-club parce qu ls ont des goûts caractérstques d une sous populaton de la clentèle. Lorsque la campagne est menée sur m flms, on peut fare rentrer en lgne de compte le nombre de fos (m au maxmum) qu un ndvdu apparaît parm les ndvdus les plus proches des barycentres des clusters (renforcement du prototype). Ans, on peut magner que le gérant du vdéo-club pusse offrr des places de cnéma à «ses» prototypes en échange de leur avs sur les flms. On peut alors magner que parm les crtques gérées par notre système, une attenton toute partculère sot donnée à celles rédgées par les «prototypes». Justfcaton de la sélecton Fgure VI.8 : La méthode du «clusterng hérarchque» sur la base test des clents du vdéoclub La grlle Fm/Crtère La grlle Flm/Crtère (Fgure VI.9) à une date donnée donne les scores partels des flms à cette date. Les scores partels affchés dans une case de la grlle correspondent à la moyenne arthmétque des scores élémentares des CAs cumulées usque cette date, de cette même case. 139/180

140 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Fgure VI.9 : La grlle Flm/crtère au 15 ma 2004 Cette grlle peut être vue comme l explcaton de la grlle flm/date à une date donnée : elle permet d explquer le score global d un flm par ses scores partels. La couleur de la case où s nscrt le nom du flm correspond à son score global. Le score global est la somme des contrbutons margnales de chacun des crtères (vor chaptre II). Les ndcateurs contenus dans chaque case ont la même sémantque que dans la grlle précédente (score, couleur, nombre de crtques cumulées). A partr de chaque case, on peut obtenr en clquant sur le bouton drot de la sours, le menu de la Fgure VI.11 qu affche la lste des scores des CAs cumulées dsponbles dans cette case et le ttre des CAs (par défaut les premers mots des commentares des CAs). Il est ben sûr possble à partr de ce derner menu d affcher la crtque entère. Autrement dt, le gestonnare du vdéo-club peut s ntéresser à l évaluaton d un flm en partculer. La grlle Flm/date lu donne l évaluaton globale du flm et son classement. S l veut en savor plus sur le mode d évaluaton du flm, l appelle la grlle Flm/crtère c-dessus. Il peut ans vor graphquement les ponts forts et fables du flm qu l analyse à un premer nveau d explcaton. Dans un second temps, l peut pousser son nvestgaton en consultant les crtques qu ont valu au flm tel ou tel score partel. Il peut fare en parallèle cette analyse sur pluseurs flms et vor ans quels sont les atouts et les fablesses d un flm par rapport à un autre La grlle Crtère/Date La grlle Crtère/Date pour un flm donné donne les scores partels d un flm en foncton du temps. Elle peut être vue comme une explcaton de la grlle Flm/date. Sur la grlle flm/date le gestonnare du vdéo-club cherche à comprendre l évoluton du score global d un flm dans le temps. Cette grlle lu fournt cette nformaton crtère par crtère. La noton de contrbuton margnale des crtères est la base de l explcaton. Là encore, un smple clc drot sur la sours lu donne accès aux crtques cumulées dsponbles pour approfondr sa compréhenson de l évoluton du score du flm. La sémantque des ndcateurs de chaque case est la même que dans les grlles précédentes. Fgure VI.10 : La grlle Crtère/date 140/180

141 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club A partr de chaque case on peut obtenr en clquant sur le bouton drot le menu de la Fgure VI.11 qu affche la lste des notes des CAs dsponbles dans cette case avec le ttre de la CA (par défaut le début du commentare). Il est ben sûr possble d avor accès à chacune des CAs (Fgure VI.12). Fgure VI.11 : Affchage des CA pour une case Fgure VI.12 : Affchage d une CA sute à une demande d explcaton 3.6. Report de nouvelles crtques sur la grlle Lorsque l on utlse la foncton de sase d une nouvelle crtque vue au paragraphe 2.3. Cette crtque est découpée en CAs. Elle peut générer usque tros (nombre de crtères) CAs avec leur score assocé. Ces notes sont reportées dans la grlle Flm/date par le bouton «reporter notes sur grlle» de la Fgure VI.2. Dans notre exemple nous obtenons la grlle mse à our à la date du 29 ma 2004 de la Fgure VI.13. Par exemple, on vot donc que tros nouvelles crtques ont été ntrodutes dans la base entre le 15 ma 2004 et le 29 ma 2004 pour le flm Le pacte des loups. L affchage de la grlle explcatve Crtère/Date nous permettrat de savor sur quels crtères ces CAs on été reportées. Les 3 nouvelles crtques ont fat évoluer le score du flm de 10.3 à Le gestonnare peut avor accès comme explqué précédemment aux tros crtques qu ont perms cette améloraton. Fgure VI.13 : La grlle Flm/Date au 29 ma /180

142 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club 4. Evaluaton du rsque décsonnel Le rsque décsonnel que nous avons défn au chaptre II 1 k d( f, f ) ( r = 1 mn 1, f l alternatve préférée) est lé à la stablté du classement des k = 2.. n p k 1 alternatves : plus l alternatve préférée dstance les autres concurrents, plus l sera dffcle d nverser le classement en aoutant de nouvelles CAs. Le rsque ans défn peut également être assmlé à une mesure de l ncerttude épstémque nhérente à la stuaton de décson : compte tenu des connassances actonnables (extrates des crtques cnématographques) dont dspose le gérant du vdéo-club à un nstant donné, dans quelle mesure celu-c peut-l être certan de fare le bon chox, c est-à-dre qu un revrement de tendance est des plus mprobables? 4.1. L IHM de la foncton «rsque» L écran «rsque» à une date donnée rappelle d abord le classement des flms à cette date pusque dans la formule de calcul du rsque, les dstances sont touours calculées par rapport à l alternatve préférée (Immortel sur la Fgure VI.14). Les flms sont rangés dans l ordre décrossant des scores globaux. Fgure VI.14 : Ecran «rsque» au 15 ma 2004 La descrpton des colonnes du tableau de la Fgure VI.14 est la suvante : - La premère colonne propose les flms classés de haut en bas par ordre décrossant des scores ; - La deuxème colonne donne le score du flm ; - La trosème colonne donne le rsque à chosr le premer flm plutôt que le k ème. Le calcul est un smplex élémentare donné au paragraphe 4.2 ; - La quatrème (resp. 6 ème et 8 ème ) colonne donne l mportance relatve du crtère Réalsaton (resp. Acteur et Scénaro) dans l évaluaton du rsque. Nous revendrons sur l ndcateur double («+» versus «%») ; - Les cnquèmes, septèmes et neuvèmes colonnes ndquent «qualtatvement» le nombre mnmal de CAs postves sur l ensemble des crtères qu l serat nécessare d acquérr pour que le classement pusse s en trouver modfé ; Ce tableau de bord fxe à un nstant donné l état de la stuaton décsonnelle. Le gérant du vdéo-club peut d un seul coup d œl savor s le classement est stable ou non, quelles sont les dmensons sensbles entre deux flms, etc. 142/180

143 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club 4.2. Calcul du rsque Compte tenu que nous avons chos comme opérateur d agrégaton une moyenne pondérée pour llustrer de manère pédagogque les concepts théorques du chaptre II, les calculs et algorthmes sont extrêmement smplfés. Le calcul du rsque repose sur la noton de dstance entre l alternatve préférée et les autres concurrents. Sot 1 f le flm en tête du classement et f, les challengers à une date donnée. Chaque flm f est défn par son vecteur de scores partels.... T u u1 u u n u C = p. u. = 1 Le calcul de la dstance entre le flm d optmsaton suvant : Obectf: 1 1 f et le flm F = mn δ = mn( δ ) n = 1 = et son score global f s énonce sous la forme du problème où δ est l améloraton selon la dmenson de l évaluaton, l ndce fat référence à Τ Τ la soluton, u = [ u1,..., u p ], δ = [ δ1,..., δ p ] pour 1 Contrantes: Sot δ = [ δ1,..., δ p ] Τ 1 MP( u + δ ) = MP( u ), où MP est la moyenne pondérée, 0 δ 1 u. la soluton du problème (sot F = δ ). Lorsque MP désgne la moyenne pondérée, les contrantes sont lnéares et l algorthme n est autre qu un smplex. F Le rsque décsonnel s écrt alors : r = 1 mn VI-3 C La dstance mn F est d autant plus fable que le rsque est grand. La dvson par F C permet de ramener mn F dans [0 ; 1]. Ans, r = 1 mn [0;1]. Par conventon, C nous avons chos d affcher le rsque en pourcentage (colonne 3 de la Fgure VI.14). La Fgure VI.15 montre une évoluton de la grlle rsque après avor aouté des crtques postves concernant le flm Le pacte des loups. On s aperçot que le classement n a pas changé, mas que le score global du flm Le pacte des loups ayant sgnfcatvement Pactedesloups augmenté, la dstance F entre Immortel et Le pacte des loups a dmnué. Fgure VI.15 : Ecran rsque après adoncton de crtques postves sur Le pacte des loups 143/180

144 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club 4.3. Sgnal de contrôle F est le nombre mnmal de ponts à gagner par le flm f pour qu l pusse remonter à hauteur du flm f 1 ; δ ndque le nombre de ponts à gagner selon le crtère pour une améloraton optmale (au sens du coût nformatonnel). Dans cette applcaton, nous consdérons que les crtères qu ont le plus «coûté» au flm f sont les crtères pour lesquels p. δ est mportant. Autrement dt, s f n est pas classé premer, c est prncpalement à cause des crtères pour lesquels p. δ est sgnfcatf. Le rato p C. δ / p. δ donne l nfluence (ou la contrbuton) du crtère sur le défct = 1 accumulé par le flm f vs-à-vs de f 1. Il est exprmé en pourcentage. Ans, sur l exemple de la Fgure VI.16, le rsque à chosr Immortel plutôt que Love Actually est de 72.91%. En terme de contrbuton, le crtère Réalsaton explque prortarement le Loveactually défct de f pusque sa contrbuton s élève à 60% alors que le crtère Acteur explque les 40 derners %. Remarquons néanmons que s l on rasonne unquement sur lesδ (et non pas sur les contrbutons p. δ ), alors on s aperçot que le nombre de ponts défctares est plus mportant sur le crtère Acteur (+ + +) que sur le crtère Réalsaton (+ +). C est le pods accordé à la Réalsaton (0.5 contre à Acteur) qu nverse l nfluence des crtères. Nous avons chos de reporter dans la grlle rsque les deux nformatons : les contrbutons au C défct en % (les p. F / p. F ) et les défcts bruts ( F ) sous la forme d un nombre de «+». = 1 Fgure VI.16 : exemple de grlle rsque affchée Le calcul du rsque permet donc de détermner s l y a leu ou non d acquérr de nouvelles crtques : s le rsque calculé est au-delà du seul d acceptablté fxé au préalable (la consgne de la boucle de régulaton de la Fgure VI.1), le classement n est pas stable (l ncerttude épstémque est trop grande) et de nouvelles crtques sont nécessares pour valder, éprouver ou étayer le classement courant. Le calcul du rsque détermne par alleurs les crtères pour lesquels l est le plus pertnent d acquérr des compléments d nformaton : l faut vérfer et valder les scores relatfs aux crtères qu explquent prortarement le défct des challengers. Autrement dt, le calcul du rsque fournt le «sgnal de contrôle» qu permet de lancer les classfeurs du SIAD sur la recherche d nformatons pertnentes et nécessares pour converger vers une stuaton décdable (c est-à-dre dont le rsque est acceptable). Comme nous l avons explqué formellement au chaptre II, les classfeurs, assocés à un moteur de recherche, ouent le rôle de l actonneur de notre boucle de régulaton (Fgure VI.1). 144/180

145 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Le système est donc capable de détermner de lu-même les dmensons sur lesquelles l n est pas capable de donner les ustfcatons nécessares à sa prse de poston à une date donnée et pour lesquelles l va donc chercher automatquement de nouvelles crtques, construre de nouvelles CAs. La procédure se répète usqu à ce que le rsque tombe en deçà du seul d acceptablté sans qu l n y at nécessarement d nterventon humane... C est le paroxysme de l automatsaton cogntve Le SIAD apprend pour décder Calcul du nombre de crtques mnmum pour modfer le classement Il s agt de proposer c une formule «théorque» pour calculer «qualtatvement» le nombre mnmal de CAs postves sur l ensemble des crtères qu l serat nécessare d acquérr pour que le classement pusse s en trouver modfé. Pour un «challenger» donné, on cherche donc le nombre mnmal de CAs postves tous crtères confondus pour que le score de ce challenger sot au mons égal à celu du flm préféré (en supposant qu aucune CA ne sot attrbuée par alleurs au leader dans cet ntervalle de temps). Sot f le challenger. Au temps t+1, on cherche à avor : à l apport de CAs postves entre t et t+1 pour 1 MP( u + δ ) = MP( u ) où δ est dû f ( δ est calculé par l algorthme précédent). On note u ( t) le score partel de f selon le crtère au temps t. Sot n le nombre de crtques dsponbles selon le crtère pour On chercheδ le nombre mnmal de crtques postves supplémentares nécessares à n f relatvement au crtère pour que : n + δ n 1 + = + δ =, k n δ n = 1 u ( t 1) u ( t) CA ( ρ) VI-4 + En supposant que les δ CAs recuelles entre t et t+1 soent telles que CA, ( ρ ) = 1 (pour que n le nombre de CAs sot mnmum), on a alors : f. n δ =, k n n ρ + δ = + + δ 1 n δ n δ = + u ( t) ( CA ( ) n.1).( n. u ( t) n ). 1 Sot : u ( t) + δ =.( n. u ( t) + n ) n.(1 u ( t) ) n. n δ n δ δ δ = + δ Fnalement, l vent : δ n n. δ = VI-5 1 u ( t) δ Il convendra d aouter E( δ n ) + 1CAs. A ttre d exemple, sur la Fgure VI.14, l sufft de 2 crtques très favorables à Cube sur le crtère Réalsaton pour que le score de Cube sot dentque à celu du leader Immortel à cette date. Sur la Fgure VI.16, l faut non seulement 22 crtques sur le crtère Réalsaton mas encore 5 sur Acteurs pour que Le Pacte des Loups pusse revenr dans la course. La valeur quanttatve de E( δ n ) + 1est d une utlté lmtée, c est son ordre de grandeur qu est à retenr pour le gérant du vdéo-club. k 145/180

146 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club 5. Argumentaton Nous avons explqué que le gestonnare dot préparer un argumentare de sa sélecton pour répondre à toute réclamaton de sa clentèle (on pourrat dans une stuaton à eneu plus marqué, parler de prncpe de précauton!) et qu l pouvat pour cela édter une gazette annonçant les nouveautés acquses, assortes des CAs les plus élogeuses que le SIAD aura «construtes» et gérées pour lu. Le SIAD va pouvor lu fournr automatquement ces CAs. Justfer la sélecton d un flm (ou plus précsément le nombre de cassettes du flm acquses par le vdéo-club), c est explquer l excellence du score global du flm par les crtères qu ont eu une contrbuton maeure à ce score (argumentaton en absolu), la «supérorté» du flm sur d autres concurrents (argumentaton en relatf), pus aller rechercher dans le SGDC les commentares des CAs correspondant à ces arguments. L édton de la gazette est donc très largement supportée par le SIAD et le SGDC Argumentaton en absolu L écran d argumentaton en absolu peut être obtenu à partr de la grlle Flm/Date pour explquer le bon score d un flm. On y est rensegné sur les crtères qu ont le plus contrbué au chox d un flm. L écran (Fgure VI.17) montre pluseurs nformatons : - Le paramètre pourcentage d explcaton : l permet de sélectonner le nveau de détal que l on souhate obtenr dans l explcaton du score. Plus l est élevé, plus l explcaton sera détallée (attenton, le crtère de pertnence de l nformaton prévaut sur celu de quantté, par conséquent une valeur élevée de ce taux n est pas nécessarement consellée! Le gérant ne souhate fare apparaître dans sa gazette que les fats les plus marquants et ne pas s attacher au détal). Les explcatons concernant la détermnaton de ce paramètre sont donnés au paragraphe ; - Le paramètre Tolérance : l permet au gérant du vdéo-club de contrôler le nombre de crtques dont l souhate dsposer pour étayer un chox. Plus la tolérance est grande, mons on est exgeant sur les scores obtenus par un flm (par exemple, une tolérance de 60 pourra fare que l on consdère que 12 est un bon score alors qu avec une tolérance de 25, ce même 12 sera consdéré comme décevant). Les explcatons concernant la détermnaton de ce paramètre sont données au paragraphe ; - Le reste de l écran est évdemment consacré à l affchage des CAs sélectonnées trées par crtère. Les crtères sont affchés par ordre d mportance de leur contrbuton dans la sélecton du flm. Sur l écran, on peut donc lre les crtères ayant oué un rôle maeur dans la sélecton du flm, pus pour chacun de ces crtères les CAs assocées les plus sgnfcatves. Le nombre de crtères affchés dépend du paramètre pourcentage d explcaton et le nombre de CAs du paramètre Tolérance. 146/180

147 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Fgure VI.17 : Ecran d une explcaton en absolu Nveau de précson de l explcaton absolue Consdérons le flm 1 f en tête du classement, 1 u son score global à une date t donnée. Le paramètre k, «pourcentage d explcaton crtère», permet de détermner les crtères qu 1 suffsent à explquer k % du score de f. Par défnton : 1 = ( 1 ) = C 1 1 ( u ) =. = 1 u MP f MP p u. Après avor réordonné les termes p. u, tels que,. p u p 1. u 1, on cherche p0 tel que : p0 C C p. u = k% p. u = k%. MP( f ) = k%. u = 1 = VI-6 Cette équaton se lt : «Les p 0 premers crtères explquent k % du score obtenu par 1 f». Par conséquent, plus k est grand, plus le nombre de crtères utlsés pour ustfer le score du flm est mportant. Tous les crtères n ont pas forcément de contrbuton sgnfcatve sur le score de f 1 et ce n est vrasemblablement pas ces explcatons «anecdotques» que le gérant du vdéo-club souhate fare apparaître dans son argumentare. Sur l exemple de la Fgure VI.17, les crtères Réalsaton et Acteur explquent à 67% le score obtenu par Immortel. Sur la Fgure VI.18, Immortel out d une excellente réalsaton, or réalsaton est le crtère de pods maxmal (0.5), par conséquent une explcaton «grossère» à 40% se résume au seul crtère Réalsaton. 147/180

148 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Fgure VI.18 : Explcaton en absolu et paramètre pourcentage d explcaton Nveau de tolérance sur le score d une CA Le paramètre Tolérance ou ε permet de contrôler le nombre de crtques que l on veut fare valor pour un crtère. Plus la tolérance est grande, mons on est exgeant sur les scores des CAs relatves au flm. On utlse une verson smplfée du rasonnement aux ordres de grandeur proposé dans le paragraphe du chaptre II et en partculer à la fgure 5 de ce chaptre. 1 Pour ustfer d un bon score partel u, les CAs que l on va retenr sont telles que : k,.max CA 2, k ( ρ) CA, k ( ρ) (1 + ε ) k Une valeur commune de ε est 0.1. ε ne peut dépasser (snon on ne respecterat plus 1 ε < de la fgure V du chaptre II). 2 (1 + ε ) Ans, sur la Fgure VI.17, le paramètre tolérance ε est à 20%. Nous observons que pour le crtère Acteur, une CA dont le score est 13 est consdérée comme une apprécaton favorable. S nous dmnuons la tolérance ε à 10%, nous obtenons l écran de la Fgure VI.19 dans lequel les notes des crtques affchées pour le crtère Acteur ne comprennent plus que des CAs dont le score est de 18 : 13 n est plus consdéré comme une bonne évaluaton dans ce système d apprécaton plus sévère. VI-7 148/180

149 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club 5.2. Argumentaton en relatf Fgure VI.19 : Ecran d explcaton et paramètre tolérance L écran d argumentaton en relatf peut être obtenu à partr de la grlle Flm/Date pour 1 explquer la supérorté de f sur ses challengers. On y est rensegné sur les crtères qu ont le plus contrbué à dstnguer 1 f de ses challengers. Une fos les crtères les plus dscrmnants dentfés, le SIAD recherche dans le SGDC les CAs qu supportent ces arguments. Sur la vue argumentaton en relatf : - Un champ permet de chosr le flm que l on souhate comparer à - Comme pour l explcaton en absolu, on peut ouer sur les paramètres k% et ε pour avor une explcaton plus ou mons fne et un nombre de CAs plus ou mons grand ; - Le reste de l écran est consacré à la consultaton des CAs sélectonnées et trées par crtère pus par flm. En premer leu, elles sont trées par crtère : le premer crtère 1 est celu grâce auquel f s est le plus sgnfcatvement dstngué de son challenger 1 f ; et ans de sute. Pus pour chaque crtère sont affchées les CAs assocées à 1 c est-à-dre les CAs qu sont favorables à f. Ensute vennent les CAs du challenger, mas cette fos-c, le SIAD propose les CAs qu ont le plus pénalsé le challenger sur chacun des crtères. Vennent ensute les mêmes éléments pour les autres crtères. 1 f, 149/180

150 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Fgure VI.20 : écran d explcaton en relatf Pourcentage d explcaton dans l explcaton en relatf Le prncpe est exactement le même que pour l explcaton absolue, seule l expresson 1 1 analysée change. Consdérons le flm f en tête du classement, u son score global à une date t donnée, et f le challenger qu on souhate lu comparer. Le paramètre k, «pourcentage d explcaton crtère», permet de détermner les crtères qu 1 1 suffsent à explquer k % de la dfférence de score des flms f et f, sot k % de u u. Par défnton : C = = = 1 MP( f ) MP( u ) p. u. 1 Après avor réordonné les termes p.( u u ), tels que cherche p0 tel que : p0 C C p u u = k p u u = k MP = 1 = 1, p.( u u ) p.( u u ), on ( ) %.( ) %. ( u u ) VI-8 Cette équaton se lt : «Les p 0 premers crtères explquent k % de la dfférence de score 1 obtenu par f sur f». 150/180

151 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club Par conséquent, plus k est grand, plus le nombre de crtères utlsés pour ustfer cette dfférence est mportant. Sur l exemple de la Fgure VI.21, l nterprétaton est la suvante : la rason essentelle pour laquelle Immortel est préféré à Meurs un autre our est la Réalsaton. Fgure VI.21 : écran d explcaton en relatf lorsque k% est fable Détal du calcul de la Tolérance dans l explcaton en relatf Le paramètre Tolérance ou ε permet de contrôler le nombre de crtques que l on veut fare valor pour un crtère comme pour l argumentaton absolue ; mas cette fos-c, l est utlsé pour les CAs de f et de f 1. 1 Pour ustfer d un bon score partel u, les CAs que l on va retenr sont telles que : k,.max CA 2, k ( ρ) CA, k ( ρ) (1 + ε ) k VI-9 Pour ustfer d un mauvas score partel u, les CAs que l on va retenr sont telles que : 1 k, CA, k ( ρ).max CA 2, k ( ρ) (1 + ε ) k VI-10 Lorsque la tolérance est très pette (ε = 10% par exemple), alors seules les notes excellentes 1 de f seront confrontées aux notes basses ou moyennes de f par le SIAD. Ans sur la Fgure VI.20, la tolérance est à % et nous constatons les affchages suvants : - Pour le flm préféré Immortel relatvement aux crtères Réalsaton et Acteur, le SIAD ne remonte que les CAs dont le score est supéreur ou égal à 18 ; - Pour le challenger Meurs un autre our, des scores de 13 apparassent encore comme des résultats mtgés en comparason de ceux obtenus par Immortel. 151/180

152 Chaptre VI - Applcaton : un outl d ade à la décson pour un gestonnare de vdéo-club S nous augmentons la tolérance pour l amener à 20%, nous obtenons l écran de la Fgure VI.22 et nous constatons les affchages suvants : - Pour le flm préféré Immortel relatvement aux crtères Réalsaton et Acteur, le SIAD remonte mantenant les CAs dont le score est supéreur ou égal à 13 ; - Pour Meurs un autre our, le SIAD ne propose aucune CA. En effet, en relaxant la tolérance, le SIAD ne cherche plus que des scores «franchement» mauvas pour le challenger, or Meurs un autre our n est pas un mauvas flm et aucune CA vrament désoblgeante n est dsponble. Fgure VI.22 : Explcaton en relatf avec une tolérance plus grande 6. Scénaro d évoluton dans le temps et stratéges de contrôle Nous montrons dans ce paragraphe comment utlser le SIAD en foncton de la stratége de contrôle que l on veut exercer sur la dynamque du processus décsonnel. Repartons de la grlle multcrtère de la Fgure VI.23. Sot t 0 : la date du 15/05/2004. A t 0, la stuaton est donc la suvante : Fgure VI.23 : Grlle Flm/Date arrêtée au 15 ma /180