ÉquiAlgo — bourses sans pénalité régionale

Front de Pareto : écart d'égalité des chances contre accord avec la production et concordance avec les étalons

Équipe et défi

Équipe apro (Jeremy Vong, Sheng He Ge, Bryan Sanchez) · Défi IVADO – ÉquiAlgo · CodeML 2026.

Problème

Une institution financière accorde ses bourses avec un modèle appris sur les décisions passées d'un comité. Le modèle octroie 48,4 % des demandes des grands centres (Montréal, Capitale-Nationale) contre 27,3 % dans les régions éloignées (Bas-Saint-Laurent, Côte-Nord, Gaspésie–Îles-de-la-Madeleine). La cote R moyenne n'explique qu'une partie de cet écart de 21,1 points.

Approche

Diagnostiquer : le comité applique la même règle partout (cote R, revenu, heures travaillées), moins une pénalité constante pour les régions éloignées : −2,00 en logit, soit 1,45 point de cote R. 81 % de l'écart ne s'explique pas par les différences de dossier.
Proxys : retirer la région ne suffit pas (écart de parité 0,188 → 0,181 → 0,173). Le code postal donne la région à coup sûr, la distance la prédit à 98 %, les heures travaillées et le revenu en portent aussi.
Métrique : égalité des chances. À mérite égal, même chance de bourse, peu importe la région. Elle est mesurée contre quatre étalons de mérite plausibles, jamais contre decision_octroi, qui contient la pénalité.
Corriger : score du comité, pénalité régionale retirée ; bourse aux 40 % meilleurs dossiers (1 600 sur 4 000), dans l'enveloppe de 36 % à 44 %. Méthode fixée avant toute évaluation.
Front de Pareto : balayage de la part de pénalité retirée (0 à 120 %), comparé au modèle en production, à la parité stricte, à des quotas par groupe et aux outils fairlearn (ThresholdOptimizer, ExponentiatedGradient).
Surveiller : huit indicateurs calculables sans vérité terrain (enveloppe, taux par région, pénalité résiduelle, prédictibilité de la région, etc.), avec seuil, fréquence, responsable et action.

Résultats

	Modèle en production	Modèle corrigé
Taux d'octroi	39,0 %	40,0 %
Grands centres / régions éloignées	46,9 % / 27,5 %	41,8 % / 37,4 %
Écart d'égalité des chances (moyenne des étalons)	0,231	0,011
Concordance moyenne avec les étalons	88,1 %	90,2 %
Écart de parité démographique	0,194	0,044

71 % de l'écart d'égalité des chances refermé en moyenne. Équité et concordance progressent ensemble ; seul l'accord avec les décisions passées du comité baisse. Contraindre fairlearn sur les décisions du comité laisse un écart réel de 0,16 : égaliser des taux mesurés sur une étiquette biaisée conserve le biais.

Limites

L'étalon du jury est inconnu : les résultats sont donnés en moyenne et en plage sur quatre étalons plausibles (écart de −0,067 à 0,104). Un revenu familial élevé augmente aussi la chance de bourse : constat signalé, non corrigé, hors du mandat régional.

Livrables

Dans le dossier EquiAlgo/ du dépôt : audit_rapport.ipynb, model_corrige.ipynb, predictions.csv (copie identique à la racine du dépôt), presentation.pdf, README. Le ZIP joint contient la page de résultats HTML (hors ligne).

Exécution

Voir le README de EquiAlgo/ : environnement Python, pip install -r requirements.txt, exécution des deux carnets avec jupyter nbconvert --execute.

Outils d'IA utilisés : Claude (Anthropic) et OpenAI Codex, comme aide à l'écriture et à la vérification du code.