0067 — Modèle prédictif d'uplift FWCI sur EUNICoast (réorientation du pipeline citation)

Contexte

L’ADR 0029 a posé le pipeline citation : ingérer OpenAlex et dériver un signal de collaboration par citations croisées entre chercheurs (« qui cite qui » — mart marts_collab_pairs). Une nouvelle finalité métier est demandée, distincte : pour un auteur donné, recommander des thématiques ou des auteurs à fort potentiel de FWCI — c’est-à-dire prédire la valeur ajoutée d’une collaboration, y compris entre auteurs qui n’ont jamais collaboré.

Le FWCI (Field-Weighted Citation Impact) est l’indice d’impact d’une publication, normalisé par domaine et année (1,0 = impact moyen du champ). L’objectif n’est pas l’impact absolu mais l’uplift : le FWCI obtenu ensemble moins le FWCI solo habituel des deux auteurs (« 1 + 1 > 2 »).

Cette réorientation a été dé-risquée par une reconnaissance (spike jetable sur données OpenAlex réelles), consignée sous docs/audit/2026-06-24-uplift-fwci-eunicoast (ADR 0060). Faits établis, verdict GO :

• le FWCI, les thématiques hiérarchisées (domain→field→subfield→topic), les co-auteurs et un embedding d’auteur (vecteur 384) sont déjà dans le pipeline citation ;
• seul manque : les affiliations institutionnelles (authorships[].institutions[].ror), aujourd’hui exclues du staging, nécessaires au filtre EUNICoast ;
• sur un seul établissement (Le Havre, 3 104 articles), 7 393 paires entraînables et un uplift apprenable depuis les seules thématiques (R² = 0,50 en validation croisée, gradient boosting, sans jamais utiliser l’identité des auteurs).

EUNICoast est une alliance de 13 universités côtières/insulaires (dont Le Havre), identifiables par leur ROR (Research Organization Registry).

Décision

Le pipeline citation gagne une seconde finalité : un modèle PRÉDICTIF d’uplift de FWCI sur le périmètre EUNICoast. On réutilise l’ingestion et les couches staging/curated existantes, on AJOUTE des modèles dbt et des assets Python dédiés (à côté de marts_collab_pairs, qui demeure). Un auteur est représenté UNIQUEMENT par ses thématiques (jamais son identité) ; le modèle estime l’uplift d’une paire, et la sortie sert des recommandations d’auteurs ou de thématiques.

Réutilisation, pas duplication

Les nouveaux livrables s’inscrivent dans le code-location citation existant et réutilisent le brut OpenAlex, les modèles staging et la couche curated (FWCI, topics, authorships). On n’ouvre pas un code-location séparé : la source et l’essentiel des transformations sont identiques ; un pipeline distinct dupliquerait l’ingestion. L’ADR 0029 est amendé : le pipeline a désormais deux finalités (citations croisées ET uplift prédictif), pas une.

Périmètre EUNICoast + récence

Les publications retenues sont celles ayant au moins un auteur affilié à un établissement EUNICoast (filtre sur une liste de ROR figée en seed, 13 membres + un alias legacy pour les Antilles) ET datant de moins de 10 ans (publication_year ≥ année courante − 10). Tous les auteurs des publications retenues sont profilés (pas seulement les EUNICoast) : un co-auteur externe est une cible de recommandation légitime.

Le filtre par ROR (pas par nom) est retenu : précis, stable, neutre. Cela exige de projeter les affiliations des authorships, exclues aujourd’hui du staging — seul ajout d’ingestion du chantier.

Représentation d’un auteur : thématiques, jamais l’identité

Un auteur est représenté par des vecteurs thématiques, jamais par son author_id, via deux familles de features désormais toutes deux branchées et testées :

1. un vecteur de subfields (distribution pondérée sur les ~250 sous-domaines OpenAlex, interprétable — permet de recommander des thématiques explicites) : le socle obligatoire ;
2. l’embedding 384 existant (researcher_embeddings, similarité sémantique fine) : seconde famille qui enrichit la première. Lorsqu’un auteur n’a pas d’embedding utilisable, cette famille est neutralisée pour la paire (features à zéro + drapeau has_embedding), sans perdre la paire ni écraser le socle thématique. La part d’auteurs couverts est exposée en métrique (embedding_coverage).

Ce choix est load-bearing : raisonner sur des thématiques (et non des personnes) est ce qui rend la prédiction généralisable aux paires inédites (une paire qui n’a jamais collaboré a quand même deux profils thématiques) et limite l’exposition RGPD (le modèle ne mémorise pas les individus). Alternative écartée : encoder l’identité des auteurs comme feature — rejetée (pas de généralisation aux paires nouvelles, cold start total ; mémorisation d’individus).

Cible : uplift (collab − solo), modèle prédictif

La cible est l’uplift : pour une paire ayant co-publié, FWCI moyen de leurs co-publications moins la moyenne de leurs FWCI solo de référence. Le modèle apprend f(profil_thématique_A, profil_thématique_B) → uplift sur les paires observées, puis extrapole aux paires inédites. Alternative écartée : un modèle descriptif (FWCI observé des seules collaborations passées) — rejeté car il ne recommande que des collaborations existantes, alors que l’objectif est de proposer de nouveaux partenaires.

Le modèle vit dans un asset Python (socle MLOps existant)

L’entraînement (régression non linéaire — gradient boosting, le R² = 0,50 du spike vient de la non-linéarité, vs 0,12 en linéaire) et la prédiction sont un asset Python Dagster, sur le modèle de researcher_embeddings : provenance et métriques loggées dans MLflow, drift suivi, sortie en Parquet servi sous contrat manifest. Cela s’inscrit dans le socle MLOps acté (ADR 0062). Une approximation purement SQL (dbt) est écartée : elle abandonnerait le pouvoir prédictif non linéaire, cœur de la décision.

Garde-fou de validation AVANT d’investir

Le R² de 0,50 du spike est optimiste : split aléatoire par paire et sans fenêtre temporelle. Le premier lot d’implémentation doit mesurer le pouvoir prédictif en conditions honnêtes — validation groupée par auteur (un auteur jamais à la fois en entraînement et en test) et anti-fuite temporelle (baseline solo et uplift sur des fenêtres cohérentes, ne pas prédire le passé avec le futur). Si, en conditions honnêtes, le R² s’effondre vers 0, on rabat sur une sortie descriptive plutôt que de servir un modèle sans pouvoir réel. C’est une porte de sortie explicite, pas un doute sur le GO.

Le seuil opérationnel de la porte est R² > 0,05 et MAE meilleure que la baseline (prédire la moyenne). Pourquoi 0,05 ? Un R² ≤ 0 ne fait pas mieux que la moyenne ; on exige donc une marge strictement positive et non triviale. 0,05 est un plancher bas et prudent : on ne réclame pas une forte corrélation pour servir du prédictif, mais on refuse le bruit — le contrôle anti-sur-apprentissage (uplift = bruit pur) tombe sous ce seuil, ce qui valide le choix. Contre quelles alternatives ? Un seuil plus haut (0,10) rejetterait des modèles faibles mais réels (plus de repli descriptif) ; un seuil nul accepterait un modèle sans valeur. La condition jointe sur la MAE empêche un R² légèrement positif mais inutile de passer la porte. Seuil révisable à la lumière des mesures de production. La page de surface « Modèle d’uplift de FWCI » détaille ces garde-fous et leurs tests (dont le contrôle sur bruit pur) pour un lecteur non développeur.

Statut

Accepted (2026-06-24). Amende l’ADR 0029 sur la finalité : le pipeline citation produit désormais, en plus des citations croisées, un modèle prédictif d’uplift de FWCI sur EUNICoast. Le reste de 0029 (contrat Parquet + manifest, dbt, Dagster, lineage, déterminisme) demeure. S’appuie sur l’ADR 0054 (snapshot S3 ; l’API REST sert au tirage ciblé EUNICoast sous le plafond 10 000), l’ADR 0059 (grain author_id imparfait, profils thématiques) et l’ADR 0062 (MLOps). Mise en œuvre détaillée dans un plan (docs/plans/).

Conséquences

Bénéfices. Réutilisation maximale : l’ingestion, le FWCI, les topics et l’embedding sont déjà là — le chantier ajoute surtout de la transformation et un modèle. Recommandation prospective (de nouveaux partenaires/thématiques), pas seulement rétrospective. Représentation par thématiques : généralisable et sobre en données personnelles.

Prix à payer. Un ajout d’ingestion (projeter authorships[].institutions[].ror) et un seed à maintenir (les 13 ROR EUNICoast évoluent si l’alliance change). Un modèle ML à entraîner, valider et surveiller (drift), avec le risque que le pouvoir prédictif baisse en conditions honnêtes (garde-fou ci-dessus). L’author_id reste imparfait (ADR 0059) : un auteur mal désambiguïsé brouille son profil — non résolu ici.

Garde-fous. Le modèle n’utilise jamais l’identité d’un auteur comme feature (thématiques seules) — invariant de conception, vérifiable. Validation anti-fuite (par auteur + temporelle) obligatoire avant de servir le modèle, avec repli descriptif documenté. Sortie servie sous le contrat Parquet + manifest inchangé (ADR 0029). Périmètre borné (EUNICoast, < 10 ans) — pas un calcul sur toute la base. RGPD : la cible et les features portent sur des profils thématiques et un indicateur public (FWCI), pas sur des données personnelles ; le droit d’opposition existant (ADR 0030) s’applique au grain (author_id, work_id).