Reconnaissance — Modèle d'uplift FWCI EUNICoast (pipeline citation) — 2026-06-24

Reconnaissance pré-implémentation (ADR 0060) d’une réorientation du modèle métier du pipeline citation : passer des citations croisées (ADR 0029) à un modèle prédictif d’uplift de FWCI entre auteurs, restreint au réseau EUNICoast. Conduite par spike jetable (script hors dépôt) sur données OpenAlex réelles. Trace point-in-time : décrit le terrain au 2026-06-24.

Glossaire express

• FWCI (Field-Weighted Citation Impact) : indice d’impact d’une publication, normalisé par domaine et année — un FWCI de 1,0 = impact moyen du champ. Champ porté par chaque work du snapshot OpenAlex.
• EUNICoast : alliance européenne de 13 universités côtières/insulaires (dont l’Université Le Havre Normandie). Identifiables par leur ROR (Research Organization Registry, identifiant ouvert d’établissement).
• Uplift : valeur ajoutée d’une collaboration = FWCI obtenu ensemble moins le FWCI solo habituel des deux auteurs. Mesure « 1 + 1 > 2 », pas l’impact absolu.
• Spike : exploration jetable visant à dé-risquer une décision par des faits, avant tout engagement de code (ici : un modèle ML a-t-il du signal ?).

Objectif

Le modèle métier actuel du pipeline citation produit des paires de chercheurs par citations croisées (marts_collab_pairs.sql : « qui cite qui »). La nouvelle cible métier est différente : pour un auteur donné, recommander des thématiques ou des auteurs à fort potentiel de FWCI — c’est-à-dire prédire l’uplift d’une collaboration, y compris pour des paires qui n’ont jamais collaboré, sur le périmètre EUNICoast (≥ 1 auteur affilié) et récent (< 10 ans).

La reconnaissance répond à deux questions de faisabilité, dans l’ordre où elles peuvent tuer le chantier :

1. Données : le pipeline dispose-t-il (ou peut-il disposer) du FWCI, des affiliations institutionnelles, des thématiques et des co-auteurs nécessaires ?
2. Signal ML : l’uplift de FWCI est-il apprenable depuis une représentation thématique des auteurs (jamais leur identité), au-delà d’une baseline triviale ?

Agents lancés

• Axe données : inventaire de ce qui est déjà ingéré/transformé dans citation (FWCI, topics hiérarchisés, authorships, embeddings) vs ce qui manque.
• Axe EUNICoast : liste des 13 établissements membres et résolution de leur ROR (site officiel + registre ROR, croisement multi-sources).
• Axe accès API : le client OpenAlex existant (citation-fetch) expose-t-il les champs requis (FWCI, institutions.ror) ? Sinon, par quel chemin.
• Spike (3 scripts jetables, hors dépôt) : fetch.py (tirage API réel), analyze.py (mesure du signal), predict.py (test d’apprenabilité). Le verdict complet et les scripts ne sont pas versionnés (exploration jetable, ADR 0060).

Constats (prouvés par le code)

Déjà disponible dans le pipeline citation — l’essentiel du modèle est servi par l’existant :

• FWCI : capté par work, de bout en bout — stg_citation_works.sql:15 (cast(fwci as double)) puis curated_works.sql:19.
• Thématiques hiérarchisées (domain→field→subfield→topic, avec score) : stg_citation_topics.sql:12-22.
• Co-auteurs : authorships explosé en (work_id, author_id) — stg_citation_authorships.sql:5-18 ; deux auteurs d’un même work_id sont co-auteurs.
• Embedding thématique par auteur (vecteur 384, agrégat des topics/keywords) : déjà construit par researcher_embeddings.py — réutilisable comme l’une des deux représentations d’auteur.
• Année de publication (filtre « < 10 ans ») : stg_citation_works.sql:8.

Manque identifié (unique, bloquant le filtre EUNICoast) : les institutions des authorships sont explicitement exclues du staging — stg_citation_authorships.sql:2-3 (« Les institutions (double imbrication) sont HORS périmètre »). Le brut OpenAlex porte pourtant authorships[].institutions[].ror (confirmé sur données réelles au spike). Il faut projeter ce champ pour filtrer sur les ROR EUNICoast.

Référentiel EUNICoast : 13 ROR résolus (haute confiance), dont Le Havre (05v509s40) ; un alias legacy pour les Antilles (017nssj40, prédécesseur de 02ryfmr77) à inclure pour les publications anciennes.

Mesures (spike sur données réelles)

Échantillon : Université Le Havre Normandie (ROR 05v509s40), articles ≥ 2015, tirés via l’API OpenAlex (3 104 works). Un seul établissement sur les 13.

Mesure	Valeur	Lecture
FWCI absent (NULL)	0,6 %	le FWCI n’est pas un trou de données
FWCI (méd. / moy. / max)	0,36 / 1,76 / 292	longue traîne → des collaborations à fort impact à distinguer
Auteurs distincts	8 117
Paires de co-auteurs	109 476
Paires ≥ 2 co-publications avec FWCI	15 482	signal d’entraînement brut abondant
Paires entraînables (uplift)	7 393	les deux auteurs ont une baseline solo (≥ 3 works avec FWCI)
Subfields distincts	209	features thématiques denses et lisibles

Test d’apprenabilité (predict.py) : représentation d’un auteur = vecteur de subfields TF-pondéré, L2-normalisé (jamais l’author_id). Cible = uplift réel des 7 393 paires. Régression en validation croisée 5-fold contre une baseline triviale (prédire la moyenne) :

Modèle	R² (validation croisée)	MAE
Baseline (moyenne)	−0,00	0,393
Régression linéaire	+0,12	0,381
Gradient boosting	+0,50	0,258 (−34 %)

→ R² = 0,50 sur les seuls subfields, sans identité d’auteur. La relation est non-linéaire (le gradient boosting dépasse largement la régression linéaire), ce qui est cohérent avec l’intuition « certaines combinaisons thématiques se complètent ». L’embedding 384, l’historique et les 13 établissements (~100 k paires) ne feront qu’enrichir ce signal.

Hypothèses non confirmables depuis le repo

• Généralisation aux 13 établissements : le spike ne couvre que Le Havre. Le volume et le signal des autres membres EUNICoast restent à confirmer (le tirage prod le fera). Hypothèse raisonnable mais non prouvée ici.
• Pouvoir prédictif réel en conditions honnêtes : le spike a fait un split aléatoire par paire et n’a pas isolé les fenêtres temporelles. Deux biais optimistes à corriger en prod, qui abaisseront le R² mesuré :
  • fuite par auteur : la validation doit grouper par auteur (un auteur ne peut être à la fois en entraînement et en test) ;
  • fuite temporelle : la baseline solo et l’uplift doivent être calculés sur des fenêtres cohérentes (ne pas utiliser le futur pour prédire le passé). Le R² de prod sera donc inférieur à 0,50 ; reste à vérifier qu’il demeure nettement positif. C’est le premier risque à lever à l’implémentation.
• Désambiguïsation des auteurs : author_id reste imparfait (plusieurs par personne, ADR 0059) — non résolu, et hors périmètre du modèle (porte sur des profils thématiques, pas des personnes).

Décisions tranchées (mainteneur)

• Cible = uplift (collab − solo), modèle prédictif (ML). Alternative écartée : modèle descriptif (FWCI observé des collaborations passées) — rejeté car il ne recommande que des collaborations existantes, alors que l’objectif est de proposer de nouveaux auteurs/thématiques.
• Représentation d’un auteur = thématiques uniquement, jamais l’identité : embedding 384 (similarité fine) + vecteur de subfields (interprétabilité, recommandation de thématiques). C’est ce qui rend la prédiction généralisable aux paires inédites (raisonner sur des thématiques, pas des personnes) et limite le risque RGPD.
• Périmètre : works avec ≥ 1 auteur affilié EUNICoast (13 ROR) ∩ publication_year ≥ (année courante − 10). Tous les auteurs des works retenus sont profilés (pas seulement les EUNICoast).
• Filtre EUNICoast par ROR (liste figée en seed), pas par nom. Alternative écartée : match par nom d’établissement — rejeté (variantes de noms, moins précis) puisqu’une liste ROR fiable existe.
• Démarrage par spike avant tout engagement de code. Alternative écartée : écrire l’ADR + le plan directement — rejeté pour ne pas s’engager sur un modèle au pouvoir prédictif non démontré.

Verdict

GO. Les deux questions de faisabilité sont levées par des faits : (1) les données nécessaires sont disponibles ou récupérables (seul ajout d’ingestion : projeter authorships[].institutions[].ror) ; (2) l’uplift de FWCI est apprenable depuis les thématiques seules (R² = 0,50 en validation croisée, sur un seul établissement, sans identité d’auteur). Le risque ML principal — un modèle sans pouvoir prédictif — est écarté.

Suite : une décision structurante (réorienter le modèle métier de citation, amender l’ADR 0029) → ADR avant le code ; un plan de mise en œuvre (docs/plans/) ; et les findings actionnables en issues (extraction des affiliations ; seed ROR EUNICoast ; validation anti-fuite du pouvoir prédictif avant d’investir dans le modèle élaboré).