Добірка наукової літератури з теми "Compromis équité"

Dans l’objectif de réduire l’érosion et d’améliorer le revenu de la population locale, un programme d'aménagement intégré comportant des ouvrages anti-érosifs et de collecte des eaux de ruissellement est actuellement mis en oeuvre à l’amont du bassin versant de Merguellil, situé au centre de la Tunisie et fermé par le barrage d’El Houareb. À l’aval du bassin se développe un large périmètre irrigué à partir d’une nappe d’eau souterraine alimentée par les écoulements provenant de l’amont et stockés par le barrage. Ce programme a entraîné une nouvelle distribution spatiale de la ressource en eau à l'échelle du bassin, en augmentant sa disponibilité à l'amont et en la réduisant à l'aval. Il en résulte que le revenu économique tiré de l’agriculture irriguée a été fortement affecté, ce qui conduit à la nécessité de cibler le niveau de réduction de l’érosion des sols. En utilisant le modèle Target MOTAD, ce travail a simulé l’impact de différents scénarios de réduction de l’érosion à l’amont sur l'amélioration du revenu social de la population locale et l’évolution du revenu économique des agriculteurs dans la plaine. Les scénarios simulés consistent à réduire l’érosion de 25 %, 50 % et 75 %.Les résultats obtenus montrent que tous les scénarios entraînent des gains de revenu pour la population de l’amont. Par contre, ils se traduisent par une perte du revenu des agriculteurs à la plaine qui devient particulièrement considérable au-delà du scénario de 50 %. Le revenu global dégagé à l’échelle du bassin (amont et aval) décroît lui aussi avec le niveau de la protection des sols, ce qui signifie que les gains obtenus à l’amont n’ont compensé que partiellement les pertes subies à l’aval.

Cet article vise à comprendre, pour les résoudre, les conflits dans la répartition des ressources allouées aux communautés locales autour d’une mine, lorsque les gestionnaires s’engagent dans une démarche partenariale de développement. À rebours des règles de partage équitable des ressources souvent définies dans le cadre formel étatique, cette étude de cas, dans une mine de propriété canadienne au Mali, montre qu’un compromis négocié par les collectifs locaux, sur la base de la satisfaction des besoins de toutes les parties prenantes, peut être porteur d’un nouvel ordre social dans lequel la justice distributive favorise l’inclusion.

Cet article propose une analyse à partir d’une participation observante au sein d’une équipe de recherche québéco-française associant des chercheurs et des formateurs/chercheurs en travail social qui construisent des rapports différents à l’objet de la recherche. La dynamique ainsi présentée, dans une perspective de méta-analyse se présente comme un cas particulier de recherche conjointe multiréférentielle. Elle fait l’objet de débats entre les co-chercheurs et donne lieu à des convergences ou des compromis dans le cadre d’un espace interprétatif partagé et négocié. L’article permet de dégager quelques pistes d’analyse d’ordre éthique et politique en termes de reconnaissance d’autrui et de ses savoirs, ainsi que sur le plan collectif d’un champ social étudié. Ainsi, il situe cette recherche dans les problématiques des rapports entre les mondes de la recherche et du travail social.

Au Québec, l’instruction des jeunes délinquants en institution a longtemps été considérée comme une cause presque désespérée. À partir de 1941, toutefois, avec la fondation de l’internat de rééducation de Boscoville, les choses sont appelées à changer. Dans ce centre spécialisé d’un nouveau genre, qui se veut à la pointe des connaissances psychologiques et pédagogiques, une jeune équipe d’éducateurs dotés d’une formation universitaire nourrit de nouveaux espoirs dans l’instruction des délinquants. Convaincus que ces derniers ne souffrent pas d’un manque d’intelligence, mais plutôt de carences affectives et de problèmes comportementaux ayant compromis leur cheminement scolaire, les éducateurs du centre entreprennent de développer un programme d’apprentissage individualisé, in situ, qu’ils disent respectueux du rythme et du style d’apprentissage de chacun. Or, cette expérience pédagogique n’est pas sans rencontrer de résistances. À partir des archives institutionnelles de Boscoville ainsi que d’entrevues d’histoire orale réalisées auprès d’anciens éducateurs et pensionnaires de l’internat, cet article retrace l’histoire de ce système d’enseignement individualisé par fiches, appelé « le boulot ».

Cet article présente le retour d’expérience du projet Scorpion mené entre les années 1970 et 1995 par le Laboratoire Régional des Ponts et Chaussées de Blois. Ce projet a permis la radiographie de dizaines d’ouvrages d’art en béton précontraint. La radiographie de ce type d’ouvrages permet de détecter les vides d’injection au sein des gaines de précontraintes. Ces vides peuvent conduire à la présence de corrosion dans les gaines de précontrainte, ce qui pourrait, à terme, entrainer une rupture fragile des unités de précontrainte et nuire à la pérennité de l’ouvrage. La détection de tels désordres permet de décider de la nécessité de réaliser des réparations avant que l’intégrité de l’ouvrage ne soit compromise. Le projet Scorpion a été arrêté au profit de la gammagraphie en 1995. Aujourd’hui, la dernière équipe de gammagraphie en France, présente au Cerema de Bron, étudie une méthode alternative à la gammagraphie, basée sur un accélérateur de particules, dans le but de remplacer les sources scellées. A la suite du retour d’expérience seront présentées les avancées des études actuellement conduites pour l’utilisation d’un accélérateur de particules pour la radiographie d’ouvrages d’art en béton précontraint.

Le regime de financement de l'electrification rurale, institue par souci de solidarite, instaure une perequation spatiale des tarifs qui bloque le developpement de l'innovation technologique sur le marche rural. L'analyse economique et institutionnelle debouche sur l'elaboration d'un nouveau cadre de regulation, base sur une revision des principes d'equite et restaurant un meilleur equilibre des marches
The procedures for assisting rural electrification, in response to the imperatives of national solidarity, are base on total price equilization, wich eliminate any scope for initiating a learning process for new technologies. The economic and institutional analysis leads to the elaboration of a new framework, based on a revisited conception of equity and a transformation of the analysis of competitiveness

Les décisions algorithmiques sont actuellement utilisées quotidiennement. Ces décisions reposent souvent sur des algorithmes d'apprentissage automatique (machine learning, ML) qui peuvent produire des modèles complexes et opaques. Des études récentes ont soulevé des problèmes d'iniquité en révélant des résultats discriminatoires produits par les modèles ML contre des minorités et des groupes non privilégiés. Comme les modèles ML sont capables d'amplifier la discrimination en raison de résultats injustes, cela révèle la nécessité d'approches qui découvrent et suppriment les biais inattendues. L'évaluation de l'équité et l'atténuation de l'iniquité sont les deux tâches principales qui ont motivé la croissance du domaine de recherche en équité algorithmique (algorithmic fairness). Plusieurs notions utilisées pour évaluer l'équité se concentrent sur les résultats et sont liées à des attributs sensibles (par exemple, l'éthinicité) par des mesures statistiques. Bien que ces notions aient une sémantique distincte, l'utilisation de ces définitions est critiquée pour sa compréhension réductrice de l'équité, dont le but est essentiellement de mettre en œuvre des rapports d'acceptation/non-acceptation, ignorant d'autres perspectives sur l'iniquité et l'impact sociétal. Process fairness (équité des procédures) est au contraire une notion d'équité subjective, centrée sur le processus qui conduit aux résultats. Pour atténuer ou supprimer l'iniquité, les approches appliquent généralement des interventions en matière d'équité selon des étapes spécifiques. Elles modifient généralement soit les données avant l'apprentissage, la fonction d'optimisation ou les sorties des algorithmes afin d'obtenir des résultats plus équitables. Récemment, les recherches ont été consacrées à l'exploration de combinaisons de différentes interventions en matière d'équité, ce qui est désigné dans cette thèse par le traitement hybride de l'équité. Une fois que nous essayons d'atténuer l'iniquité, une tension entre l'équité et la performance apparaît, connue comme le compromis équité/précision. Cette thèse se concentre sur le problème du compromis équité/précision, puisque nous sommes intéressés par la réduction des biais inattendues sans compromettre les performances de classification. Nous proposons donc des méthodes ensemblistes pour trouver un bon compromis entre l'équité et la performance de classification des modèles ML, en particulier les classificateurs binaires. De plus, ces méthodes produisent des classificateurs d'ensemble grâce à une combinaison d'interventions sur l'équité, ce qui caractérise les approches de traitement hybride de l'équité. Nous proposons FixOut (FaIrness through eXplanations and feature dropOut), un framework centré sur l'humain et agnostique vis-à-vis des modèles qui améliore l'équité sans compromettre les performances de classification. Il reçoit en entrée un classificateur pré-entraîné, un ensemble de données, un ensemble de attributs sensibles et une méthode d'explication, et il produit un nouveau classificateur qui dépend moins des attributs sensibles. Pour évaluer la dépendance d'un modèle pré-entraîné aux attributs sensibles, FixOut utilise des explications pour estimer la contribution des attributs aux résultats du modèle. S'il s'avère que les attributs sensibles contribuent globalement aux résultats, alors le modèle est considéré comme injuste. Dans ce cas, il construit un groupe de classificateurs plus justes qui sont ensuite agrégés pour obtenir un modèle d'ensemble. Nous montrons l'adaptabilité de FixOut sur différentes combinaisons de méthodes d'explication et d'approches d'échantillonnage. Nous évaluons également l'efficacité de FixOut par rapport au process fairness mais aussi en utilisant des notions d'équité standard bien connues disponibles dans la littérature. De plus, nous proposons plusieurs améliorations telles que l'automatisation du choix des paramètres et l'extension de FixOut à d'autres types de données
Algorithmic decisions are currently being used on a daily basis. These decisions often rely on Machine Learning (ML) algorithms that may produce complex and opaque ML models. Recent studies raised unfairness concerns by revealing discriminating outcomes produced by ML models against minorities and unprivileged groups. As ML models are capable of amplifying discrimination against minorities due to unfair outcomes, it reveals the need for approaches that uncover and remove unintended biases. Assessing fairness and mitigating unfairness are the two main tasks that have motivated the growth of the research field called {algorithmic fairness}. Several notions used to assess fairness focus on the outcomes and link to sensitive features (e.g. gender and ethnicity) through statistical measures. Although these notions have distinct semantics, the use of these definitions of fairness is criticized for being a reductionist understanding of fairness whose aim is basically to implement accept/not-accept reports, ignoring other perspectives on inequality and on societal impact. Process fairness instead is a subjective fairness notion which is centered on the process that leads to outcomes. To mitigate or remove unfairness, approaches generally apply fairness interventions in specific steps. They usually change either (1) the data before training or (2) the optimization function or (3) the algorithms' outputs in order to enforce fairer outcomes. Recently, research on algorithmic fairness have been dedicated to explore combinations of different fairness interventions, which is referred to in this thesis as {fairness hybrid-processing}. Once we try to mitigate unfairness, a tension between fairness and performance arises that is known as the fairness-accuracy trade-off. This thesis focuses on the fairness-accuracy trade-off problem since we are interested in reducing unintended biases without compromising classification performance. We thus propose ensemble-based methods to find a good compromise between fairness and classification performance of ML models, in particular models for binary classification. In addition, these methods produce ensemble classifiers thanks to a combination of fairness interventions, which characterizes the fairness hybrid-processing approaches. We introduce FixOut ({F}a{I}rness through e{X}planations and feature drop{Out}), the human-centered, model-agnostic framework that improves process fairness without compromising classification performance. It receives a pre-trained classifier (original model), a dataset, a set of sensitive features, and an explanation method as input, and it outputs a new classifier that is less reliant on the sensitive features. To assess the reliance of a given pre-trained model on sensitive features, FixOut uses explanations to estimate the contribution of features to models' outcomes. If sensitive features are shown to contribute globally to models' outcomes, then the model is deemed unfair. In this case, it builds a pool of fairer classifiers that are then aggregated to obtain an ensemble classifier. We show the adaptability of FixOut on different combinations of explanation methods and sampling approaches. We also evaluate the effectiveness of FixOut w.r.t. to process fairness but also using well-known standard fairness notions available in the literature. Furthermore, we propose several improvements such as automating the choice of FixOut's parameters and extending FixOut to other data types