These-Verger

Nom: 
VERGER
Prénom: 
Mélina
Date d'inscription: 
2021
Spécialité de la thèse: 
Titre de la thèse: 
Analyse multi-critères de l'équité d'algorithmes de fouille de données éducatives
Résumé en français: 

L’objectif principal de cette thèse est de développer une méthode d’analyse multi-critères de l’équité pour différents types d’algorithmes communément employés dans la communauté EDM en fonction de différents jeux de données. En effet, les travaux récents se focalisent sur l’évaluation d’un critère unique (le genre, l’ethnicité [en milieu anglo-saxon], l’établissement d’origine...) mais la diversité des critères étudiés montrent bien l’aspect multidimensionnel requis pour prendre des décisions qui soient équitables de manière globale. Cette problématique générale se décline en plusieurs questions de recherche complémentaires qui pourront être investiguées : 1. Est-il possible de combiner différents algorithmes équitables selon des critères différents pour obtenir une décision globalement plus équitable ? 2. Peut-on déterminer automatiquement le risque de biais d’équité dans un jeu de données en fonction de divers critères ? 3. Peut-on neutraliser les biais de différents algorithmes dans le temps, en alternant les méthodes de choix pour équilibrer les biais selon différents critères ?

Abstract in english: 

The main objective of this thesis is to develop a multi-criteria fairness analysis method for different types of algorithms commonly used in the EDM community based on different data sets. Indeed, recent works focus on the evaluation of a single criterion (gender, ethnicity, institution of origin...) but the diversity of the criteria studied shows the multidimensional aspect required to make decisions that are globally fair. This general problem is broken down into several complementary research questions that can be investigated: 1. Is it possible to combine different fair algorithms according to different criteria to obtain a fairer global decision? 2. Can we automatically detect biases in a dataset according to various criteria in order to recommend the collection of new data from a particular population? 3. Can we neutralize the biases of different algorithms over time, by alternating some methods to balance the biases according to different criteria?

Université de rattachement: 
Sorbonne Université
Laboratoire de rattachement: 
Directeur de thèse: 

Vanda LUENGO

Premier coencadrant: 

François BOUCHET

Second coencadrant: 

Sébastien LALLE

Cifre: 
Non

Dernière mise à jour : 24 février, 2022 - 21:47