An Explainable and Interpretable Composite Indicator Based on Decision Rules

Each language version is independently generated for its own context, not a direct translation.

🍳 Le Secret d'une "Note" Transparente : La Méthode des Règles de Cuisine

Imaginez que vous voulez évaluer la qualité de 100 restaurants. Habituellement, on utilise une note composite (comme un score sur 20). Pour obtenir ce score, on mélange des critères : la qualité de la nourriture, le service, le prix, la décoration. Souvent, on donne un "poids" à chaque critère (par exemple, la nourriture compte pour 50 %, le prix pour 20 %).

Le problème ? C'est une "boîte noire". Vous voyez le résultat final (le restaurant a 14/20), mais vous ne savez pas pourquoi. Est-ce à cause du prix ? Du service ? C'est flou, et parfois injuste.

Les auteurs de ce papier (Corrente, Greco, Słowiński et Zappalà) proposent une nouvelle façon de faire : arrêter de calculer des notes mystérieuses et commencer à écrire des règles claires.

Voici comment leur méthode fonctionne, étape par étape, avec des analogies simples.

1. Au lieu d'une "Boîte Noire", une "Boîte en Verre" 🪟

Imaginez que la méthode classique est une boîte noire. Vous mettez des ingrédients dedans, vous tournez un bouton, et un score sort. Vous ne savez pas ce qui s'est passé à l'intérieur.

Cette nouvelle méthode, c'est une boîte en verre. On voit tout ce qui se passe. Au lieu d'un score mathématique complexe, on utilise des règles "Si... Alors..." (comme en programmation, mais en langage humain).

Exemple classique (Boîte noire) : "Le pays A a un score de 0,75, donc il est 'Développé'."
Exemple de cette méthode (Boîte en verre) : "Si l'espérance de vie est supérieure à 70 ans ET que le revenu par habitant dépasse 10 000 $, ALORS le pays est classé 'Développé'."

C'est beaucoup plus facile à comprendre !

2. Les Quatre Scénarios : Comment on utilise ces règles ? 🎭

Les auteurs montrent que cette méthode fonctionne dans quatre situations différentes, comme quatre façons de jouer à un jeu de cartes :

Scénario 1 : Expliquer une note déjà faite.
Imaginez un médecin qui utilise un score pour évaluer un patient (comme le score de Glasgow pour les traumatismes crâniens). Le score est juste une somme de points. La méthode transforme ce score en règles : "Si le patient ne parle pas et ne bouge pas les bras, alors c'est grave." Cela aide à comprendre pourquoi le score est ce qu'il est.
Scénario 2 : Décoder un indice obscur.
Prenons l'Indice de Développement Humain (IDH) des pays. C'est un chiffre complexe. La méthode prend ce chiffre et dit : "Ah, le pays X est 'Moyen' non pas par hasard, mais parce que son espérance de vie est basse ET son éducation est faible." C'est comme déballer un cadeau pour voir ce qu'il y a dedans.
Scénario 3 : Construire la note à partir de l'avis d'un expert.
Imaginez un chef cuisinier (le décideur) qui classe des plats : "Ce plat est excellent, celui-ci est moyen". La méthode observe les plats du chef et écrit les règles qu'il utilise inconsciemment. Ensuite, on peut appliquer ces règles à de nouveaux plats pour les classer automatiquement, en respectant le goût du chef.
Scénario 4 : Expliquer une méthode mathématique complexe.
Parfois, on utilise des algorithmes très compliqués (comme ELECTRE) pour classer des hôtels. Cette méthode prend le résultat de l'algorithme et le traduit en règles simples pour que tout le monde comprenne pourquoi l'hôtel A est mieux que l'hôtel B.

3. La Magie des "Règles Minimes" et la Gestion des Contradictions ⚖️

Parfois, les règles peuvent se contredire.

Règle A : "Si le prix est bas, alors c'est 'Pas cher'."
Règle B : "Si la qualité est mauvaise, alors c'est 'Pas cher'."
Mais si un produit est cher et de mauvaise qualité, que se passe-t-il ?

Les auteurs ont créé un algorithme intelligent (un peu comme un détective) qui :

Génère toutes les règles possibles.
Sélectionne le plus petit nombre de règles nécessaire pour tout expliquer (pour ne pas noyer l'utilisateur sous le texte).
Vérifie qu'il n'y a pas de contradictions (qu'on ne classe pas le même objet comme "Excellent" et "Médiocre" en même temps).

C'est comme si on prenait un tas de 1000 règles confuses et qu'on ne gardait que les 5 ou 6 plus importantes et claires pour expliquer la situation.

4. Et si on manque de données ? (Les trous dans la raquette) 🕳️

Dans la vraie vie, on a souvent des données manquantes (un pays oublie de déclarer son taux de chômage, un élève n'a pas rendu un devoir).

Méthode classique : On doit deviner la valeur manquante (imputation), ce qui fausse parfois les résultats.
Méthode de ce papier : On utilise les règles de la "dominance". Si une règle dit "Si le score de maths est > 400, alors c'est 'Bien'", et que l'élève a un score de maths manquant mais un score de lecture très élevé, la règle peut quand même s'appliquer si les autres conditions sont remplies. On ne force pas les chiffres manquants, on contourne le problème intelligemment. C'est comme jouer aux échecs sans voir toutes les cases, mais en devinant les coups possibles.

🎯 En résumé : Pourquoi c'est génial ?

Ce papier propose de passer d'une évaluation mystérieuse (une note chiffrée sortie d'une machine) à une explication claire (des règles en langage humain).

Transparence : On sait exactement pourquoi un pays, un étudiant ou un restaurant a telle note.
Équité : On peut vérifier si les règles sont justes.
Flexibilité : Ça marche même si les données sont incomplètes ou si les critères sont qualitatifs (pas juste des chiffres).

C'est comme si, au lieu de recevoir une facture avec un total mystérieux, on recevait un reçu détaillé expliquant chaque ligne, avec des phrases simples comme : "Vous avez payé plus cher parce que vous avez choisi le service premium et que vous avez commandé le plat du jour."

C'est une avancée majeure pour rendre les décisions complexes (économiques, sociales, médicales) compréhensibles par tout le monde, pas seulement par les mathématiciens.

Each language version is independently generated for its own context, not a direct translation.

1. Problématique et Contexte

Les indicateurs composites (IC) sont largement utilisés pour évaluer et classer des unités (pays, entreprises, hôpitaux, etc.) sur la base de multiples critères. Cependant, leur construction traditionnelle repose souvent sur des procédures d'agrégation numérique (moyennes pondérées, géométriques, etc.) qui fonctionnent comme des « boîtes noires ».

Les auteurs identifient plusieurs lacunes critiques dans les approches actuelles :

Manque de transparence : Il est difficile d'expliquer pourquoi une unité reçoit un score spécifique ou une classe donnée.
Problèmes de pondération et d'agrégation : Le choix des poids et la nature compensatoire ou non compensatoire de l'agrégation sont souvent arbitraires ou contestables.
Absence d'interprétabilité : Contrairement aux modèles d'IA explicables (XAI), les IC classiques ne fournissent pas de justifications claires (règles logiques) pour leurs résultats.

L'objectif de l'article est de proposer un cadre méthodologique pour construire des indicateurs composites qui soient à la fois explicables (post-hoc : comprendre pourquoi un résultat a été obtenu) et interprétables (ante-hoc : construire le modèle de manière intrinsèquement compréhensible), en utilisant des règles de décision « si... alors... ».

2. Méthodologie Proposée

La méthode repose sur l'approche par ensembles grossiers basée sur la dominance (DRSA - Dominance-based Rough Set Approach). Au lieu d'agréger des scores numériques, l'approche induit des règles logiques à partir de données de classification ou de scores.

A. Les Quatre Scénarios d'Application

L'article explore quatre cas d'usage distincts :

Explication de classifications dérivées de sommes : Expliquer les classes obtenues par la somme de codes ordinaux (ex. : échelle de Glasgow pour les patients).
Explication d'un IC numérique opaque : Décomposer un indicateur existant (ex. : IDH) pour expliquer les classes de développement humain attribuées aux pays.
Construction ante-hoc : Construire un IC directement à partir des préférences d'un décideur (DM) fournies sous forme de classifications de références.
Explication de méthodes MCDA : Expliquer les résultats de méthodes d'aide à la décision multicritère complexes (ex. : ELECTRE-Score).

B. Le Moteur Algorithmique : DRSA et Nouvel Algorithme

Règles de décision : Le système génère deux types de règles :
- Règles « au moins » (at-least) : Si les critères sont supérieurs à certains seuils, alors l'unité appartient à une classe $t$ ou supérieure.
- Règles « au plus » (at-most) : Si les critères sont inférieurs à certains seuils, alors l'unité appartient à une classe $t$ ou inférieure.
Nouvel Algorithme d'Induction : Les auteurs proposent un algorithme exhaustif capable de générer toutes les règles minimales en une seule exécution. Contrairement aux algorithmes heuristiques (comme DOMLEM) qui cherchent un sous-ensemble arbitraire, cet algorithme garantit la complétude de l'ensemble des règles non contradictoires.
Gestion des Indicateurs Continus : L'algorithme traite chaque score distinct comme une classe ordonnée, permettant d'appliquer la méthode aux IC continus sans perte d'information.
Gestion des Valeurs Manquantes : Une adaptation de l'algorithme permet de travailler directement sur des données incomplètes sans imputation, en considérant que les règles sont valides tant que les conditions non manquantes sont satisfaites.

C. Résolution des Contradictions (Algorithme 3)

Un défi majeur est la possibilité de contradictions (une unité est classée « au moins Classe 3 » et « au plus Classe 2 »). Pour résoudre cela, les auteurs proposent un processus en plusieurs étapes :

Génération de l'ensemble maximal de règles.
Sélection d'un sous-ensemble maximal de règles assurant une classification non contradictoire pour toutes les unités.
Utilisation de la Programmation Linéaire en Nombres Entiers (MILP) pour trouver le sous-ensemble minimal de règles nécessaire pour expliquer la classification finale, garantissant ainsi la parcimonie (principe de parcimonie).

3. Résultats et Contributions Clés

Contributions Méthodologiques

Changement de paradigme : Passage d'une approche d'agrégation numérique à une approche basée sur des règles logiques pour les IC.
Élimination des poids : La méthode ne nécessite pas de vecteur de poids explicite, évitant ainsi les controverses sur l'attribution des poids.
Algorithme d'induction exhaustif : Capacité à générer l'ensemble complet des règles minimales en une seule passe, ce qui est une avancée par rapport aux méthodes existantes.
Robustesse aux données manquantes : Intégration native des valeurs manquantes sans biais d'imputation.

Résultats Empiriques (Études de Cas)

Les auteurs valident leur approche sur plusieurs exemples réels :

Échelle de Glasgow (GCS) : Démonstration de règles claires expliquant la sévérité des traumatismes crâniens.
Indice de Développement Humain (IDH) : Explication des classes de développement des pays (ex. : Sénégal, Brésil, Pays-Bas) basée sur l'espérance de vie, l'éducation et le revenu. Les règles identifient les seuils précis (ex. : « Si l'espérance de vie > 73 ans et l'éducation > 12 ans, alors Classe 4 »).
Sélection de Portefeuille Boursier : Construction d'un IC à partir des préférences d'un décideur pour classer des actions, avec gestion des contradictions potentielles.
Données PISA : Application réussie sur un jeu de données contenant des valeurs manquantes, montrant que les règles induites restent valides et explicables.

4. Signification et Impact

L'article apporte une contribution significative à la fois au domaine de l'Aide à la Décision Multicritère (MCDA) et à l'Intelligence Artificielle Explicable (XAI) :

Transparence et Équité : En remplaçant les « boîtes noires » par des règles en langage naturel, la méthode permet aux parties prenantes de vérifier la logique sous-jacente, favorisant la confiance et l'acceptabilité des résultats.
Réponse aux Principes de Saltelli : La méthode répond directement aux principes de rigueur méthodologique (Saltelli et al., 2020) en évitant l'arrogance des modèles complexes, en clarifiant le cadrage et en gérant l'incertitude (valeurs manquantes).
Applicabilité Pratique : La capacité à gérer des données continues, des valeurs manquantes et des préférences subjectives rend cette approche applicable à des contextes réels complexes (politiques publiques, santé, finance).
Limites et Perspectives : Les auteurs notent que la prolifération des règles dans les problèmes à haute dimension peut nuire à la lisibilité, mais soulignent que la présentation des règles satisfaites uniquement pour l'unité d'intérêt résout ce problème. Ils suggèrent également l'intégration future de données non structurées (texte, images) dans les IC.

En résumé, cette recherche propose un cadre robuste pour transformer les indicateurs composites en outils de décision transparents, justifiables et intrinsèquement interprétables, dépassant les limites des méthodes d'agrégation traditionnelles.