Les Fondements Scientifiques d'IRIS
IRIS opère à l'intersection de la microéconomie cardinale, de la théorie du choix social et de l'optimisation algorithmique. Découvrez le modèle rigoureux qui sous-tend nos arbitrages collectifs.
Abstract
Les décisions collectives partagées — qu'il s'agisse de la planification d'activités, de choix budgétaires ou d'allocations de ressources — exigent d'arbitrer entre des fonctions d'utilité individuelles hétérogènes, des contraintes dures et des impératifs redistributifs. Les processus empiriques (négociation libre, consensus) ou les scrutins traditionnels uninominaux échouent à capturer l'intensité des préférences et ignorent l'historique des frustrations passées du groupe.
Le protocole IRIS formule ce défi comme un problème d'économie algorithmique distribuée. En s'appuyant sur des profils d'utilité multi-attributs, la plateforme génère un espace combinatoire de scénarios, évalue leur équité géométrique ex-ante par le prisme du Nash Social Welfare (NSW), puis soumet les meilleurs candidats à un scrutin de décision robuste via un scrutin de Condorcet.
Les sections qui suivent détaillent successivement les limites des approches classiques, les fondements théoriques mobilisés et leurs propres limites, l'architecture algorithmique qui en résulte, ainsi qu'une analyse comparative de ses apports et de ses compromis face aux méthodes établies.
Visualisation systémique de l'impasse décisionnelle
Figure 1.1 : Modélisation des forces antagonistes en économie de groupe. Sans arbitrage axiomatique, la décision oscille naturellement entre la tyrannie de la majorité (∑ Uᵢ), la paralysie du veto (min Uᵢ) ou l'effondrement de l'utilité réelle par le biais du juste milieu.
Favorise la masse globale mais peut créer des minorités totalement sacrifiées ou frustrées.
S'aligne exclusivement sur le membre le plus insatisfait, menant souvent à l'immobilisme ou au veto.
Choix tiède adopté par dépit. Personne ne proteste mais l'utilité réelle et l'enthousiasme sont proches de zéro.
Pourquoi les dynamiques classiques ne suffisent pas
L'architecture d'IRIS naît de l'identification des failles formelles inhérentes aux méthodes organiques ou mathématiques non couplées.
Discussion libre
Efficace en micro-comités via l'ajustement mutuel, mais soumise à de forts biais d'asymétrie sociale.
Recherche de Consensus
Vise l'absence d'objection plutôt que l'alignement et l'optimisation des utilités positives.
Vote Majoritaire Standard
Scrutin efficace à grande échelle mais mathématiquement réducteur pour les choix multi-critères alternatifs.
La synthèse axiomatique d'IRIS
Face à ces écueils, IRIS ne choisit pas entre la démocratie ordinale (le vote) et l'optimisation mathématique quantitative (le calcul de score). Le protocole s'inspire de la théorie des jeux coopératifs pour la structuration des compromis mathématiques (au sens de Nash), et de la théorie du choix social pour l'arbitrage final : l'algorithme sous-jacent génère des structures de compromis efficaces au sens de Nash, puis le mécanisme de vote (Condorcet) tranche pour rechercher la stabilité et l'acceptation politique du choix — sans qu'aucun des deux ne garantisse formellement une absence totale d'envie entre participants, seulement une réduction mesurable de l'écart.
Explorez les inspirations d'IRIS
Cliquez sur les disciplines phares ou sur les relations vectorielles du graphe ci-dessous pour faire défiler et charger instantanément les justifications scientifiques, théorèmes appliqués et limites associées.
Les fondements scientifiques d’IRIS
Survolez chaque discipline pour découvrir sa contribution au modèle.
Explorer le modèle
Survolez une discipline du diagramme pour découvrir ses fondements scientifiques, ses limites et la façon dont elle contribue à l'algorithme IRIS.
Documentation Scientifique Approfondie
Étude détaillée des 5 piliers axiomatiques fondant le protocole IRIS. Cliquez sur les bulles du graphe interactif ci-dessus pour accéder directement aux sections de recherche.
2. Économie du Bien-être & Fonctions de Bien-être Social (SWF)
Modélisation de l'optimum social et arbitrage entre efficacité globale et équité.
A. Introduction & Fondations Théoriques
L'Économie du Bien-être est la branche de la microéconomie quantitative qui cherche à évaluer la désirabilité d'allocations alternatives de ressources pour une société. Elle formalise les notions d'optimalité économique et cherche à traduire mathématiquement des notions philosophiques et morales de justice distributive (notamment à travers l'utilitarisme de Bentham et le principe d'équité de John Rawls) sous la forme de Fonctions de Bien-être Social (Social Welfare Functions).
B. État de l'Art & Modèles de Consensus
Le consensus académique distingue deux grandes familles de fonctions d'agrégation du bien-être. La première est la Fonction Utilitariste, qui calcule la somme ou la moyenne arithmétique brute des utilités individuelles ; sa limite est qu'elle tolère le sacrifice ou l'exclusion d'une minorité si le gain de la majorité est supérieur. La seconde est la Fonction Egalitariste de Rawls (Maximin), qui évalue le bien-être du groupe à l'aune unique du membre le plus défavorisé ; sa limite est qu'elle engendre une paralysie de l'optimisation collective dès qu'un agent bute sur un niveau de satisfaction bas.
C. Formalisation Mathématique Inspirée
Parmi les propositions cherchant à concilier ces deux extrêmes, celle du Nash Social Welfare (NSW) occupe une place particulièrement étudiée — sans qu'elle fasse pour autant l'objet d'un consensus exclusif : le leximin égalitariste ou les indices d'Atkinson restent des alternatives sérieusement défendues en économie du bien-être. Soit un vecteur d'utilités individuelles (U1, U2, ..., UN) pour une allocation donnée S. La fonction de bien-être de Nash calcule le produit géométrique des utilités, ou de manière équivalente, la somme de leurs logarithmes :
Cette formulation mathématique impose une concavité stricte qui pénalise de manière exponentielle les valeurs proches de zéro.
D. Applications Contemporaines & Limites
Le Nash Social Welfare est intensivement utilisé dans la recherche sur le Fair Division (partage de biens indivisibles), l'allocation équitable de bandes passantes dans les réseaux informatiques et la tarification des ressources énergétiques. Sa limite principale est qu'il exige des utilités strictement positives : si un seul agent possède une utilité de 0 pour une option, le produit global s'effondre à 0, rendant la fonction hyper-sensible aux veto individuels si l'espace combinatoire n'est pas rigoureusement filtré ex-ante.
E. Ancrage & Application dans le Protocole IRIS
IRIS adopte le Nash Social Welfare (Moyenne Géométrique) comme axe central du calcul de son score de bien-être collectif. En multipliant les utilités plutôt qu'en les additionnant, l'algorithme d'IRIS agit comme un bouclier anti-exclusion pour les minorités ou les membres timides du groupe. Par exemple, si un scénario plaît énormément à 5 participants (note 90/100) mais isole totalement un sixième (note 5/100), la moyenne arithmétique classique donnerait un score encore engageant (75,8/100) et validerait l'option, créant de la frustration. La moyenne géométrique d'IRIS, elle, fait chuter la note collective à 55,6/100 — un écart de vingt points qui suffit, une fois comparé aux autres scénarios candidats, à faire préférer un compromis harmonieux où chacun obtient une utilité acceptable.
3. Théorie de la Décision & Modélisation Multi-Attributs
Quantification des utilités cardinales individuelles et modélisation des barrières de tolérance.
A. Introduction & Fondations Théoriques
La Théorie de la Décision modélise le comportement d'un agent rationnel confronté à des choix multi-critères. Fondée sur l'axiomatique de Von Neumann-Morgenstern, elle démontre que les choix d'un individu peuvent être représentés fidèlement par une fonction d'utilité cardinale continue. La branche spécifique de la théorie multi-attributs (MAUT - Multi-Attribute Utility Theory) étudie comment décomposer la valeur globale d'une alternative complexe en un ensemble de sous-dimensions quantifiables.
B. État de l'Art & Modèles de Consensus
Les modèles de consensus contemporains stipulent qu'une préférence humaine ne peut se résumer à un choix binaire ou à une seule variable (comme le prix). Pour capturer fidèlement l'affinité d'un agent pour une option, il faut modéliser indépendamment les dimensions d'utilité, appliquer des transformations monotones non-linéaires pour refléter l'aversion au risque ou aux surcoûts, et introduire des seuils de contraintes absolues (filtres durs) sous peine de rendre le modèle déconnecté de la réalité psychologique de l'agent.
C. Formalisation Mathématique Inspirée
Soit une alternative a caractérisée par un ensemble de critères C. L'utilité cardinale d'un agent u pour cette alternative est formulée par une combinaison pondérée des fonctions de valeur de chaque critère :
Où wu,c représente le poids d'importance accordé par l'utilisateur au critère c (avec ∑ w = 1), et vu,c est la fonction de score normalisant la valeur brute du critère sur une échelle homogène absolue de [0, 100].
D. Applications Contemporaines & Limites
Cette ingénierie de la décision sous-tend les progiciels d'aide à la décision industrielle, le yield management aéroportuaire, et la modélisation des choix d'investissements. Sa principale limite réside dans la charge cognitive de paramétrage : demander à un utilisateur d'expliciter manuellement ses poids d'importance et ses fonctions de valeur pour chaque critère est fastidieux et génère un fort taux d'abandon.
E. Ancrage & Application dans le Protocole IRIS
IRIS s'inspire de la MAUT sans en reprendre la formulation la plus classique. Plutôt qu'une somme pondérée uniforme sur des dimensions indépendantes, l'affinité pour une activité et le niveau social recherché sont d'abord combinés puis recentrés autour de zéro pour chaque activité du scénario, avant d'être sommés et ramenés dans l'intervalle [0,1] par une tangente hyperbolique — une façon de saturer l'accumulation d'enthousiasme tout en laissant un net rejet peser lourdement sur le résultat. Trois autres facteurs (adéquation horaire, budgétaire et distance) restent volontairement séparés de cette évaluation par activité, et s'appliquent au niveau du scénario dans son ensemble : une activité adorée mais mal desservie par les horaires ne doit pas voir son défaut masqué par l'enthousiasme qu'elle suscite par ailleurs. Pour contourner la limite de la charge cognitive de paramétrage, IRIS ne demande explicitement que les poids relatifs entre ces dimensions, pas les fonctions de valeur elles-mêmes. Surtout, IRIS couple cette évaluation à 19 clés de contraintes dures (Filtres Durs) : si une option viole une contrainte éliminatoire (un restaurant non compatible avec un régime alimentaire strict, par exemple), la fonction d'utilité individuelle s'effondre mathématiquement à 0 avant toute agrégation, protégeant l'intégrité du participant.
4. Intelligence Collective Algorithmique & Génération Combinatoire
Exploration massive d'espaces distribués et mécanismes d'émergence de solutions optimales.
A. Introduction & Fondations Théoriques
L'Intelligence Collective Algorithmique traite de la capacité de systèmes informatiques distribués à résoudre des problèmes d'optimisation complexes qu'aucun agent humain ou sous-comité isolé ne pourrait appréhender. La vulgarisation de James Surowiecki (La Sagesse des Foules) en a popularisé l'intuition, mais son socle mathématique rigoureux repose sur des résultats plus anciens et précisément nommés — le théorème du jury de Condorcet, puis le théorème de diversité prédictive de Scott Page — qui explorent comment la mise en commun structurée de jugements individuels imparfaits peut faire émerger une estimation collective plus fiable que celle du meilleur expert isolé.
B. État de l'Art & Modèles de Consensus
Le consensus scientifique moderne se concentre sur la résolution des problèmes d'explosion combinatoire (NP-complets). Lorsque plusieurs contraintes de temps, de ressources et de choix discrets se croisent, le nombre de combinaisons théoriquement possibles grandit de manière exponentielle. L'état de l'art n'utilise plus de simples algorithmes de force brute, mais des moteurs de génération couplés à des filtres heuristiques capables d'élaguer l'arbre de décision en temps réel pour ne conserver que les combinaisons viables.
C. Formalisation Mathématique Inspirée
Soit A l'ensemble global des éléments disponibles et T l'horizon temporel du problème. L'espace combinatoire total Ω est l'ensemble de toutes les combinaisons S formées par des enchaînements valides. La recherche cherche à maximiser le rendement en éliminant ex-ante les sous-ensembles non viables :
Où K, la taille de la combinaison, n'a pas à être fixé a priori : il peut résulter directement des autres contraintes du problème (durée, coût) plutôt que d'un plafond arbitraire.
D. Applications Contemporaines & Limites
Ces concepts gouvernent les algorithmes de logistique internationale, la génération automatique d'emplois du temps universitaires complexes, et la planification de missions spatiales multi-satellites. La limite inhérente est la perte de contrôle utilisateur : si le moteur algorithmique fonctionne de manière opaque ("boîte noire"), les utilisateurs rejettent les solutions proposées, même si celles-ci sont mathématiquement parfaites, par manque de sentiment d'agence (empowerment).
E. Ancrage & Application dans le Protocole IRIS
Dans IRIS, l'intelligence collective se matérialise par son moteur de génération de scénarios (Étape 3 du pipeline). Au lieu de forcer les utilisateurs à négocier de longues heures ou à voter sur des dates isolées, l'algorithme d'IRIS ingère en parallèle toutes les contraintes et crée un vrai maillage de réseau distribué. Il explore l'espace combinatoire pour assembler des enchaînements d'activités (ex: un brunch à 11h, suivi d'un escape game à 14h, suivi d'un verre à 17h) cohérents en termes de temps de trajet et d'enveloppe budgétaire, dont le nombre n'est limité que par ce qui tient effectivement dans la fenêtre commune. Pour lever la limite de la "boîte noire", IRIS restitue la main aux participants lors de l'étape finale en soumettant les scénarios au vote préférentiel de Condorcet, réconciliant ainsi l'hyper-efficacité de l'exploration de données et la souveraineté humaine.
5. Équité Algorithmique, Théorie des Jeux & Compensation Historique
Stabilité coopérative, concepts d'absence d'envie (Envy-Freeness) et justice corrective temporelle.
A. Introduction & Fondations Théoriques
L'Équité Algorithmique, couplée à la Théorie des Jeux Coopératifs, étudie les mécanismes d'interaction entre agents rationnels cherchant à maximiser leur intérêt propre tout en coopérant pour stabiliser le groupe. Elle introduit des critères géométriques stricts de justice relationnelle, notamment le concept d'absence d'envie (Envy-Freeness) : une allocation est jugée exempte d'envie si aucun joueur ne préfère le package de ressources attribué à un autre joueur plutôt que le sien.
B. État de l'Art & Modèles de Consensus
Un constat largement partagé, sans qu'il s'agisse d'un théorème unique et nommé, est qu'une décision collective ponctuelle ne peut satisfaire pleinement tout le monde à un instant T dès que les préférences des agents divergent fortement. Une partie de la recherche sur l'allocation équitable se penche donc sur des modèles dynamiques et intertemporels : si un agent accepte une concession lors d'un épisode donné, il est raisonnable — bien que cela reste un choix de conception plutôt qu'une conséquence mathématique obligée — de vouloir capitaliser cet écart pour le compenser lors des arbitrages suivants.
C. Formalisation Mathématique Inspitée
Pour modéliser l'équilibre d'un participant au sein de plusieurs cercles d'amis, la recherche applique des équations de lissage barycentrique. Soit l'historique des frustrations d'un individu i. Le coefficient d'atténuation α mesure sa fidélité à un groupe donné :
L'indice de compensation effectif Ri est calculé en fusionnant l'historique interne du groupe et l'historique global de l'utilisateur sur la plateforme :
Avec un encadrement strict par un cap d'écrêtage : Ri ∈ [0.5, 1.2].
D. Applications Contemporaines & Limites
Ces modèles dynamiques de régulation gouvernent les systèmes de compensation de vols des compagnies aériennes, la répartition des charges de copropriété complexes, et la planification équitable des plannings de garde hospitaliers. Sa limite majeure est le risque de manipulation ou de chantage à la frustration : si le système accorde un poids trop élevé à un agent frustré, celui-ci est incité à simuler une insatisfaction permanente pour acquérir une position de dictateur mathématique lors des sessions suivantes.
E. Ancrage & Application dans le Protocole IRIS
IRIS implémente cette gestion temporelle à travers son Modèle de Compensation Historique Hybride (Étape 6 et 7 du pipeline). Pour neutraliser tout risque de chantage à la frustration (la limite théorique), IRIS applique un cap d'écrêtage strict entre 0.5 et 1.2. Même si un participant a fait d'immenses concessions lors des trois derniers événements, son multiplicateur Ri ne pourra jamais dépasser 1.2, empêchant ainsi qu'il n'obtienne un droit de veto ou qu'il ne détruise le bien-être général du groupe — sans pour autant éliminer complètement le risque théorique, seulement l'atténuer. De plus, grâce au calcul de l'atténuation α, l'algorithme fait la distinction entre un membre régulier (α → 1, où seule la mémoire interne du groupe compte) et un invité occasionnel multi-groupes (α → 0, où son historique global d'utilisateur régule son intégration).
L'Architecture Algorithmique d'IRIS
Du recueil des disponibilités jusqu'au choix démocratique, découvrez les 9 étapes du pipeline de calcul et le modèle de compensation hybride.
Le Pipeline Algorithmique en 9 Étapes
Disponibilités & Probabilité de Présence
Pour chaque participant u et chaque date candidate d, le système enregistre un statut de disponibilité et, le cas échéant, une probabilité de présence réelle indépendante de ce statut :
Ce couple détermine le poids réel de u pour la date d, utilisé à chaque étape ultérieure d'agrégation :
p(u,d) vaut 1 pour une disponibilité certaine, et correspond à la valeur déclarée par l'utilisateur pour une disponibilité conditionnelle — 0,7 (70%) par défaut à l'écran, mais librement ajustable, et c'est bien cette valeur propre à chacun qui sert de poids, sans coefficient supplémentaire appliqué par-dessus. L'ensemble des participants actifs pour la date d est alors défini par actifs(d) = { u | dispo(u,d) ∈ {ok, cond} }.
Filtre des Contraintes Dures
Soit C = {c₁, ..., c₁₉} l'ensemble des 19 clés de contrainte dure disponibles (accessibilité, régimes alimentaires, environnement sensoriel...). Chaque utilisateur active un sous-ensemble hard(u) ⊆ C dans son profil. Pour une activité a, chaque clé c est associée à un champ booléen indiquant si l'activité l'enfreint :
Une dérogation ponctuelle, propre à un couple (utilisateur, activité) précis, peut neutraliser une clé au cas par cas — override(u, a, c) ∈ {0, 1}. L'exclusion effective en résulte :
Dès que exclu(u,a) = 1, l'utilité de u pour l'activité a est fixée à 0 et le reste s'annule mathématiquement — aucune pondération ultérieure ne peut compenser une contrainte dure violée.
Génération Combinatoire des Scénarios
Pour la date candidate d, la fenêtre horaire commune est l'intersection stricte des créneaux déclarés par tous les participants actifs :
Plutôt que de fixer un unique instant de départ, le moteur explore plusieurs horaires de démarrage candidats à l'intérieur de cette fenêtre, afin d'assembler différentes séquences d'activités compatibles. L'espace des scénarios réalisables pour la date d s'écrit :
Chaque candidat de Ω(d) est une séquence ordonnée d'activités assemblée en tenant compte des horaires d'ouverture de chacune et du temps de trajet entre elles, calculé sur le mode de transport le plus lent commun au groupe.
Utilité Activité & Affinité Sociale
Pour chaque activité a d'un scénario S, deux composantes sont évaluées pour l'utilisateur u : l'affinité déclarée pour ce type d'activité (avec héritage vers le type parent si le sous-type précis n'a pas été noté) fA(u,a), et l'adéquation du niveau social de l'activité avec celui recherché par u, fO(u,a). Ces deux valeurs vivent dans [0,1] et sont combinées selon les poids relatifs personnels rA, rO (rA+rO=1) :
Cette valeur est recentrée sur [-1, 1] — de sorte qu'une activité jugée neutre (0,5) devienne 0, ni positive ni négative — puis sommée sur l'ensemble des activités du scénario :
Une tangente hyperbolique ramène enfin cette somme dans [0,1] :
La tangente hyperbolique sature : empiler des activités déjà appréciées ne fait plus gagner grand-chose passé un certain seuil, alors qu'une activité franchement rejetée tire nettement le score vers le bas, en particulier dans un scénario court. La protection n'est donc pas symétrique — elle est délibérément plus sensible au rejet qu'à l'accumulation d'enthousiasme.
Facteurs Horaires, Budget & Distance
Trois facteurs indépendants complètent l'évaluation du scénario, chacun normalisé sur [0,1] :
- fS — croissant avec le taux de recouvrement entre le scénario et le créneau réellement disponible de u, décroissant avec le temps d'attente subi entre deux activités.
- fB — décroissant à mesure que le coût du scénario s'approche puis dépasse le budget déclaré par u ; identiquement égal à 1 si l'organisateur finance intégralement l'événement.
- fD — décroissant avec la distance totale à parcourir, calculée sur le mode de transport le plus lent commun au groupe.
Ces trois facteurs restent délibérément séparés de l'utilité d'activité — un scénario peut proposer une activité adorée mais mal desservie par les horaires ou le budget disponible ; les deux dimensions doivent pouvoir se contredire sans se masquer l'une l'autre.
Compensation Historique (Rᵢ)
Sur chaque événement passé E, l'écart entre l'utilité obtenue par u et la médiane du groupe pour ce même événement est capitalisé :
La moyenne de ces écarts donne un coefficient brut, calculé séparément sur l'historique du groupe courant et sur l'historique global de l'utilisateur :
Les deux valeurs obtenues (Rgroupe, Rglobal) sont ensuite mélangées selon α, la part de l'historique réellement partagée avec ce groupe précis, puis écrêtées :
Le détail complet de cette construction, ainsi que les cas limites (nouvel utilisateur, membre régulier, participant occasionnel), sont illustrés juste après le pipeline.
Score Individuel Final
Les cinq facteurs (activité+social, horaire, budget, distance) sont combinés selon les poids personnels de l'utilisateur wA, wO, wS, wB, wD (exprimés en pourcentage, Σw = 100), puis multipliés par le coefficient de compensation Rᵢ :
Le plafonnement à 1 empêche un coefficient Rᵢ favorable de faire dépasser à l'utilité individuelle son échelle normale — la compensation peut réparer un désavantage passé, jamais créer un privilège au-delà du maximum théorique.
Score de Groupe & Front de Pareto Adaptatif
Chaque scénario S produit un vecteur d'utilités individuelles u⃗(S) = ( u'(u₁,S), ..., u'(uₙ,S) ). Un scénario est dit dominé s'il en existe un autre qui égale ou dépasse chacune de ses valeurs, avec au moins une amélioration stricte :
Parmi les scénarios non dominés, un score de groupe unique les classe — une moyenne géométrique pondérée par le poids de présence de chacun, avec un epsilon de stabilité numérique pour éviter un logarithme de zéro :
Une marge adaptative retient enfin les meilleurs scénarios non dominés, en s'élargissant automatiquement si trop peu de candidats subsistent :
Scrutin Démocratique de Condorcet (Méthode de Black)
Chaque participant classe librement les finalistes retenus à l'étape précédente. Une matrice de duels comptabilise, pour chaque paire, le nombre de votants préférant strictement l'un à l'autre :
Un vainqueur de Condorcet existe s'il bat toutes les autres options en duel direct :
En l'absence de vainqueur (cycle intransitif), le décompte de Borda tranche — chaque rang attribué par chaque votant rapporte des points, et le total le plus élevé l'emporte. Ce départage se fait directement à partir des bulletins déposés par le groupe, jamais en revenant au score W(S) de l'algorithme : le dernier mot reste humain.
Rééquilibrage Temporel & Compensation Hybride
Pour neutraliser l'effet d'exclusion au fil des événements, IRIS injecte un facteur de régulation dynamique basé sur l'historique des frustrations passées.
D'abord, comment se construit un Ri brut
Sur chaque événement passé E, on compare l'utilité obtenue par la personne à la médiane du groupe pour ce même événement. Un écart positif signifie qu'elle a été moins bien servie que la médiane :
La moyenne de ces écarts sur l'ensemble des événements pertinents donne le coefficient brut, avant écrêtage :
Un historique purement global ignorerait les compromis spécifiques faits au sein d'un groupe d'amis soudés. À l'inverse, un historique purement local pénaliserait un invité occasionnel. IRIS résout cela en calculant ce même Rbrut deux fois — une fois restreint aux événements du groupe courant, une fois sur l'ensemble de la plateforme — puis en les mélangeant selon la fidélité réelle au cercle d'amis.
Cas particulier : un événement peut impliquer plusieurs groupes à la fois (une sortie mêlant deux cercles d'amis distincts, par exemple). Dans ce cas, il compte pour l'historique de chacun des groupes concernés, pas seulement pour un groupe "principal" — Rgroupe pour un groupe cible donné intègre alors tout événement passé partagé avec ce groupe, même celui-ci ayant par ailleurs impliqué d'autres groupes en parallèle.
α → 1. Seul l'historique interne du groupe fait foi.
α → 0. L'historique global amortit les variations de profil.
Ri = 1.0. Point d'ancrage parfaitement neutre.
Ri ∈ [0.5, 1.2]
Ce garde-fou empêche tout participant ultra-frustré d'acquérir un droit de veto absolu ou de sur-fausser les utilités collectives lors de la session.
Analyse Comparative des Modèles de Décision
Ce que le protocole d'IRIS apporte face aux approches classiques — et ce qu'il en coûte. Une comparaison honnête suppose de reconnaître les compromis, pas seulement les gains.
| Propriété Axiomatique | Moyenne Arithmétique (Sondages classiques) | Scrutin Majoritaire (Doodle / Vote unique) | Modèle Hybride IRIS |
|---|---|---|---|
| Protection Anti-Exclusion | Faible (ignore le mal-être ciblé) | Nulle (ignore les minorités) | Élevée (moyenne géométrique) — mais réciproquement plus sensible : un seul score très bas peut écarter un scénario que la majorité jugeait par ailleurs excellent |
| Résistance au Vote Stratégique | Moyenne (vulnérable à la manipulation des notes) | Faible (vote utile systématique) | Meilleure que le vote à un tour, sans être immune — le théorème de Gibbard-Satterthwaite garantit qu'aucun scrutin ordinal à 3 options ou plus n'échappe totalement à la manipulation |
| Prise en compte des Contraintes | Manuelle (nécessite un arbitrage humain externe) | Partielle (uniquement sur les dates) | Filtres durs multicritères — au prix d'un profil à configurer en amont, plus coûteux en temps qu'un simple sondage |
| Mémoire Temporelle (Historique) | Nulle (chaque événement redémarre à zéro) | Nulle (aucun suivi des frustrations) | Active (compensation ex-post) — mais introduit un risque théorique de manipulation par simulation de frustration, atténué (non éliminé) par l'écrêtage [0.5, 1.2] |
| Simplicité de mise en œuvre | Élevée — un sondage suffit | Élevée — une seule question | Plus faible — la richesse du modèle a un coût réel en configuration initiale et en charge cognitive pour l'utilisateur |
Conclusion : un compromis assumé, pas un optimum universel
Aucune des trois colonnes du tableau ci-dessus n'est strictement dominée par une autre. IRIS ne prétend pas remplacer un simple sondage dans toutes les situations — pour un choix binaire entre deux options sans enjeu d'équité, la moyenne arithmétique reste largement suffisante. Le protocole a du sens précisément quand plusieurs conditions se recoupent : des préférences hétérogènes, des contraintes dures réelles, et une relation qui se répète dans le temps — c'est-à-dire l'essentiel des décisions collectives récurrentes.
Ce que le modèle apporte de spécifique, c'est de faire cohabiter deux logiques que la théorie du choix social oppose classiquement : maximiser la satisfaction collective (via l'agrégation géométrique de type Nash) et protéger l'équité individuelle dans la durée (via la compensation historique Rᵢ) — sans jamais retirer au groupe la décision finale, tranchée par un vote Condorcet transparent plutôt que par le score de l'algorithme lui-même.
Deux entrées partageant les mêmes variables — ce que chacun veut, ce qu'implique chaque option — combinées par un calcul d'équité, réduites par un filtre, arbitrées par un vote.
Le modèle algorithmique décrit ici — profils d'utilité multi-attributs, agrégation géométrique pondérée, mémoire de compensation ex-post, arbitrage démocratique final — n'est pas intrinsèquement lié à l'organisation de sorties entre amis. Dès lors que les variables communes, les profils individuels et les modèles de conséquence d'un système de décision sont correctement définis, cette même structure s'applique à toute décision collective répétée où des préférences individuelles doivent être conciliées équitablement dans le temps : répartition de tâches ou de gardes au sein d'une équipe, budget participatif d'une association, allocation tournante de ressources partagées, ou arbitrages de comités. La démonstration actuelle d'IRIS teste ces principes sur un cas d'usage volontairement concret et à taille humaine ; l'architecture elle-même reste générique.
Bibliographie & Références de Recherche
Les publications de référence fondant les choix axiomatiques et les garanties d'équité du protocole IRIS.
John Wiley & Sons, New York (rééd. Yale University Press, 2012).
Théorème fondamental démontrant l'impossibilité de concevoir une règle de vote idéale à partir de classements ordinaux purs sans violer un axiome de rationalité élémentaire, motivant l'usage initial d'utilités cardinales par IRIS.
Princeton University Press, Princeton.
Axiomatisation de l'utilité cardinale et fondement de la théorie de la décision multi-attributs, à l'origine de la représentation des préférences individuelles sur une échelle continue utilisée par IRIS.
Econometrica, vol. 18, no. 2, pp. 155–162.
Axiomatisation du produit des utilités individuelles comme l'unique solution satisfaisant l'invariance par changement d'échelle, l'indépendance des alternatives non pertinentes et la Pareto-optimalité.
Cambridge University Press, Cambridge (rééd. Springer, 1987).
Formalisation du vainqueur de Condorcet et de la règle de départage par comptage de Borda en cas de cycle — la méthode combinée porte aujourd'hui le nom de méthode de Black, directement reprise à l'étape 9 du pipeline IRIS.
Holden-Day, San Francisco (éd. augmentée, Harvard University Press, 2017).
Introduction des concepts de comparaisons interpersonnelles d'utilités et approfondissement de la justice rawlsienne (Maximin), au cœur des pondérations temporelles ex-post d'IRIS.
MIT Press, Cambridge.
Analyse approfondie de la justice distributive algorithmique et des mécanismes de partage exempts d'envie (Envy-Freeness) appliqués à l'allocation dynamique de ressources.
Perspectives de Recherche Future
Après la validation empirique du modèle actuel lors de la phase de démonstration, les travaux de recherche s'orienteront vers l'intégration de couches d'intelligence contextuelle avancée.
Agents IA Prédictifs
Analyse automatisée des retours de feedback post-événement par traitement du langage naturel (NLP) pour corriger dynamiquement et sans friction les profils d'utilité abstraits des utilisateurs.
Variabilité Endogène
Modélisation de critères de diversité pour introduire un facteur d'exploration contrôlé, évitant ainsi le risque d'enfermement des groupes dans des typologies d'activités redondantes.