BANA - IVADO : Algorithme d'attribution équitable de bourses

Inspiration

Notre inspiration est né d'un constat d'injustice géographique flagrant : dans le modèle historique, un candidat vivant en région éloignée avait près de 20 % de chances en moins d'obtenir une bourse d'études par rapport à un candidat des grands centres urbains. Nous avons voulu briser ce déterminisme territorial et démontrer que l'Intelligence Artificielle peut et doit être utilisée pour corriger activement les biais socioculturels et géographiques accumulés dans les données du passé.

What it does

Notre solution algorithmique de machine learning éthique évalue les dossiers de candidats de manière impartiale en garantissant une parité démographique quasi-parfaite (l'écart de taux de sélection tombe à 0,77 %) entre les candidats des grands centres urbains et ceux des régions éloignées. Le tout s'effectue en respectant strictement une contrainte budgétaire d'attribution globale fixée à 40,20 %.

How we built it

Analyse Exploratoire des Données (EDA) : Identification des biais cachés, notamment le rôle de la distance comme proxy pur de la région géographique (contrairement aux heures de travail hebdomadaires).
Pré-traitement éthique : Retrait rigoureux des variables proxies directes (region_administrative, code_postal_3, distance_domicile_campus_km et ses transformations logarithmiques).
Atténuations des Biais (In-processing) : Utilisation de l'algorithme de réduction sous contraintes ExponentiatedGradient combiné à un estimateur RandomForestClassifier robuste via la librairie Fairlearn.

Challenges we ran into

Le plus grand défi a été de surmonter l'effet proxy. Supprimer simplement la colonne de la région ne réglait rien (l'écart restait supérieur à 17 %), car la distance géographique recodait indirectement l'information de provenance. Il a fallu arbitrer intelligemment entre les variables délétères (à exclure) et les variables légitimes (à conserver comme la cote R ou les heures de travail), puis résoudre mathématiquement la parité via de l'optimisation sous contraintes.

Accomplishments that we're proud of

Réduction de l'écart de parité : Passé de 18,76 % 0,77 %, ce qui démontre un système d'une équité exceptionnelle sans pour autant détruire le signal prédictif.
- Maintien de l'efficacité : l'exactitude globale (Accuracy) n'a fléchi que très légèrement (de 88,1 % 85,2 %), validant le fait que l'équit ne se fait pas au détriment d'une sélection académique rigoureuse.
- Réalisation du compromis parfait sous contrainte de budget d'octroi de bourses.

What we learned

Nous avons appris que les données historiques ne sont jamais neutres : elles capturent et figent les décisions passées des comités humains, incluant leurs angles morts. Nous avons également appris à manier les concepts d'apprentissage machine équitable (ML fairness) et identifier l'équation complexe du compromis (trade-off) entre utilité statistique et justice sociale.

What's next for IVADO - Algorithme d'attribution équitable de bourses

Explicabilité locale (SHAP/LIME) : Permettre chaque étudiant de comprendre précisément pourquoi la bourse lui a été accordée ou
Extension multi-critères : Adapter notre modèle pour inclure des variables d'équit intersectionnelles (ex: première génération universitaire combinée au genre ou au statut socio-économique).