6.5 Affectation visuelle de poids pour la prise de décision collective

Une décision collective constitue une décision raisonnable que tous les membres d’un groupe peuvent accepter. Les fonctions de combinaison ou d’agrégation d’opinion nécessitent un facteur poids (voir les formules 1 et 2). Le poids détermine l’influence de chaque expert sur la décision commune. Les poids affectés aux différents experts peuvent être égaux ou on peut rechercher une combinaison optimale de facteurs poids. Toute la difficulté relative à un tel processus est de trouver la stratégie d’optimisation de ces facteurs, sachant que notre objectif est de retrouver des poids qui permettent de réduire de façon significative le nombre d’attributs et si possible d’avoir une meilleure précision en fouille visuelle de données (FVD).

Les poids affectés aux experts doivent à cet effet être proportionnels à leurs décisions. L’idée ici est de donner des poids élevés aux meilleurs experts (en terme de représentation graphique de leur sélection d’attributs).

Nous pensons que la meilleure façon de juger de la qualité de l’expertise proposée par les différentes méthodes de sélection d’attributs serait de procéder à des représentations graphiques de l’ensemble de données à traiter avec uniquement les attributs les plus significatifs choisis par chaque expert. L’idée tout au long de ce processus rappelons-le est de donner un poids faible ou alors de ne pas tenir compte de la décision d’un expert qui aurait choisi un très grand nombre d’attributs (d’où une impossibilité de représenter graphiquement l’ensemble de données).

La méthode d’affectation de poids que nous proposons a pour fondements théoriques un principe de la théorie de Gestalt (une vue d’ensemble est meilleure que la somme des parties) et des propriétés pré-attentives de la vision humaine. En ce qui concerne le principe de Gestalt, en visualisant l’ensemble d’éléments intervenant dans une décision, un processus cognitif se met en place.

Dans notre contexte, l’application du principe de Gestalt en ce qui concerne la visualisation de l’ensemble d’éléments rentrant dans le processus de décision se résume en une représentation graphique multi vue. Chaque vue représente le point de vue de chaque expert, c'est-à-dire la représentation graphique de l’ensemble de données pourvu uniquement des attributs sélectionnés par l’expert, comme l’indique la figure 6.1.

En effet, la technique utilisée pour l’affectation visuelle de poids aux experts intervenant dans le processus de décision collective est une représentation graphique à vues multiples des coordonnées parallèles [Inselberg, 1985]. Chaque vue représente l’ensemble de données à traiter réduit par un des experts. Les coordonnées parallèles permettent de représenter en 2D des données multidimensionnelles sans perte d’information.

Six experts de type filtre ont servi à la sélection des attributs visualisés dans la figure 1. L’expert 1 représente le critère de sélection consistance, l’expert 2 représente l’entropie de Shannon, l’expert 3 quant à lui utilise la distance comme fonction d’évaluation. La fonction d’évaluation pour l’expert 4 est le gain d’information, le coefficient de Gini pour l’expert 5 et le coefficient de Cramer pour l’expert 6.

Il est à noter que les outils usuels d’affectation de poids sont des « boîtes noires ». L’avantage principal de l’approche ainsi proposée tient du fait que l’utilisateur est impliqué et participe dans le processus de prise de décision. Il existe un ensemble de propriétés visuelles qui sont traitées de manière pré attentive très rapidement, avec précision et sans effort particulier. Ce qui permet aux utilisateurs d’affecter des poids convenables aux différents experts.

De plus, les techniques de visualisation permettent d’améliorer la résolution de problèmes. La visualisation permet de découvrir plus aisément des motifs dans les données, de réduire l’espace de recherche d’information par rapport aux méthodes automatiques, de procéder à des opérations perceptuelles d’inférence et d’augmenter la mémoire et les ressources de traitement de l’utilisateur [Dull et Tegarden, 1999], [Card et al., 1999] et [Tegarden, 1999].