ICT-34 — Le banc de recollement des lectures : quatre specialistes, un seul verdict

Prototype. Ce notebook transpose a un recouvrement disciplinaire le banc de ICT-15k (recouvrement geometrique du quadtree de Hashlife). La question reste celle du §2 de #12206 : un defaut de compatibilite entre les sections d’un meme objet se convertit-il en temoin exploitable ? La reponse exige d’ecrire la condition de compatibilite et d’exhiber le temoin — sinon le mot « obstruction » n’a pas gagne ses galons.

Le strand 15b-15i pretendait detecter des obstructions au recollement, mais sur un recouvrement que l’experimentateur choisissait lui-meme, et sans jamais ecrire la condition de cocycle. Verdict TRIVIAL (#7744) : l’experience avait mesure la mauvaise chose. ICT-15k a corrige sur un substrat impose (les bords du quadtree definis avant les sections). Le present notebook corrige sur un substrat disciplinaire : quatre lectures specialistes d’un meme corpus, dont les domaines de competence sont mesures, pas choisis.

Statut épistémique — Sans verdict à ce jour : aucune ligne de la matrice de dissociations ne concerne ce notebook ; son statut épistémique sera porté par la matrice le cas échéant.

1. Le recouvrement disciplinaire

Un corpus d’objets, et quatre lectures specialistes. Chaque lecture ne parle que de ce qu’elle sait lire — son domaine de competence. Ces domaines forment le recouvrement :

Ouverts : les domaines de competence (frequentiste, structurel, semantique, causal). Ils sont mesures, pas imposes : une lecture ne revendique un objet que si son signal y est decisif (au-dela d’un seuil de detection). Le bord est defini avant la section — la dette du §2 de #12206 est payee par construction.
Sections : le verdict (une categorie) que la lecture rend sur un objet qu’elle revendique.
Fibre : pour un objet, l’ensemble des lectures qui le revendiquent — ses « occurrences » dans les differents registres.
Transport : quand la decision en aval emprunte un verdict a une lecture.
Condition de compatibilite : sur le chevauchement de deux lectures (un objet que les deux revendiquent), les verdicts doivent concorder sur la decision qu’ils commandent. S’ils divergent, les deux sections sont incompatibles — un recollement sain est impossible par simple vote.

Le pont Lean qui certifiait le cas geometrique (hashlife_correct, ICT-Life §5) n’a pas d’analogue ici : le substrat est epistemique, pas algorithmique. Ce que le certificat garantissait pour le quadtree (le recollement est possible sur ce substrat), ce notebook le fait sur instances : il mesure si les sections se recollent, et convertit l’eventuel defaut en temoin exploitable.


import numpy as np

# --- Le corpus polyvue : 60 objets, une classe cachee y (oracle, invisible des lectures),
# --- trois sous-populations. z=2 est le cluster « artefact » : les vues de surface (B, C)
# --- s'y inversent, la vue causale D s'y tait, seule la vue profonde A y voit clair.
rng = np.random.default_rng(42)
N = 60
y = rng.integers(0, 2, N)                 # 1 = « a retenir », 0 = « a ecarter »
z = np.zeros(N, dtype=int)
z[12:24] = 1                              # propre : toutes lectures d'accord
z[36:48] = 2                              # artefact : la seule zone conteste
core = (2*y - 1).astype(float)            # +1 si y=1, -1 si y=0
nz = lambda std: rng.normal(0, std, N)

# Parametres de signal (poids), marges de competence, inversion/muette sur z=2.
W   = {"A": 0.7, "B": 1.0, "C": 1.0, "D": 0.9}
MARG = {"A": 0.0, "B": 0.0, "C": 0.0, "D": 0.5}
INV  = {"A": 0.0, "B": 1.0, "C": 1.0, "D": 0.0}   # fraction d'inversion sur z=2
ZERO = {"A": 0.0, "B": 0.0, "C": 0.0, "D": 1.0}   # mise a zero du signal sur z=2

NOISE = {k: nz(0.5) for k in "ABCD"}          # bruit fixe, cache pour la reproductibilite

def signal(spec):
    """Score brut de la lecture `spec` sur chaque objet. Le signe porte le verdict,
    la grandeur porte la confiance (et donc la competence)."""
    base = W[spec]*core
    base -= ZERO[spec]*W[spec]*core*(z == 2)          # la lecture se tait sur z=2
    base -= INV[spec]*2*W[spec]*(z == 2)*core         # la lecture s'inverse sur z=2
    return base + NOISE[spec]

S = {k: signal(k) for k in "ABCD"}

def zsc(s):
    return (s - s.mean())/(s.std() + 1e-9)

Z = {k: zsc(S[k]) for k in "ABCD"}

# Le verdict (section) d'une lecture = signe de son score standardise.
# Sa competence (elle revendique l'objet) = |score| au-dela de sa marge.
pred = {k: Z[k] > 0 for k in "ABCD"}
comp = {k: np.abs(Z[k]) > MARG[k] for k in "ABCD"}
LECTURES = ["A", "B", "C", "D"]

print("Couverture (objets revendiques par chaque lecture) :")
for k in LECTURES:
    print(f"  {k} : {int(comp[k].sum())} objets")
print()
print("Precision standalone (verdict correct sur le domaine) :")
for k in LECTURES:
    acc = float((pred[k] == y)[comp[k]].mean())
    print(f"  {k} : {acc:.3f}")

Couverture (objets revendiques par chaque lecture) :
  A : 60 objets
  B : 60 objets
  C : 60 objets
  D : 44 objets

Precision standalone (verdict correct sur le domaine) :
  A : 0.983
  B : 0.800
  C : 0.800
  D : 0.932

Lecture — le moteur des lectures est independant

Quatre lectures, quatre registres. La lecture A (frequentiste) lit le signal dominant (le score xA), les lectures B (structurelle) et C (semantique) lisent deux marqueurs de surface qui corrèlent au label sur l’ensemble du corpus mais s’inversent sur le cluster d’artefact (un sous-ensemble dont la terminologie ou la connectivite est conventionnellement retournee), et la lecture D (causale) exige un signal fort pour parler — elle s’abstient sur le cluster d’artefact, ou son registre ne mesure rien.

Le point methodologique : la couverture n’est pas un choix de l’experimentateur. Les marges (MARG) sont des seuils de detection, pas des reglages de l’intrigue ; la repartition B/C inversees + D muette sur z=2 sort de la generation du corpus, pas d’un forgeage. Ce qui est mesure ensuite — taux de contradiction, pertes, temoin — l’est sur ce recouvrement-la, pas sur un recouvrement negocie avec le resultat.


def _taux(a, b):
    ovl = comp[a] & comp[b]
    no = int(ovl.sum())
    if no == 0:
        return 0.0
    dis = int(((pred[a] != pred[b]) & ovl).sum())
    return dis/no

# --- Matrice de compatibilite : taux de contradiction sur le chevauchement.
print("Matrice de compatibilite (taux de contradiction sur le chevauchement) :")
print("      " + "  ".join(f"{k:>5s}" for k in LECTURES))
for a in LECTURES:
    row = []
    for b in LECTURES:
        row.append("   --" if a == b else f"{_taux(a, b):5.2f}")
    print(f"{a:>4s} : " + "  ".join(row))
print()
print("Taux de contradiction par sous-population (toutes paires confondues) :")
for cl in (0, 1, 2):
    tot = cont = 0
    for a in LECTURES:
        for b in LECTURES:
            if a < b:
                o = comp[a] & comp[b] & (z == cl)
                tot += int(o.sum())
                cont += int(((pred[a] != pred[b]) & o).sum())
    print(f"  z={cl} : {cont} contradictions sur {tot} chevauchements")

Matrice de compatibilite (taux de contradiction sur le chevauchement) :
          A      B      C      D
   A :    --   0.22   0.22   0.07
   B :  0.22     --   0.00   0.07
   C :  0.22   0.00     --   0.07
   D :  0.07   0.07   0.07     --

Taux de contradiction par sous-population (toutes paires confondues) :
  z=0 : 2 contradictions sur 198 chevauchements
  z=1 : 0 contradictions sur 60 chevauchements
  z=2 : 33 contradictions sur 54 chevauchements

Lecture — les contradictions se concentrent sur le cluster d’artefact

Sur les sous-populations z=0 et z=1, les quatre lectures concordent : 2 contradictions sur 198 chevauchements, puis 0 sur 60. Sur z=2, elles divergent massivement : 33 sur 54. La matrice le confirme : A/B et A/C portent les plus forts taux (0,22) — c’est exactement la paire « vue profonde / vue de surface ». B/C sont quasi identiques (0,00) : ce sont deux vues de surface qui partagent le meme artefact. D, plus reservee, ne contredit personne (0,07).

Ce n’est pas un hasard d’echantillonnage. Le recouvrement disciplinaire a une fibre : les lectures ne sont pas egalement fiables sur tous les objets, et leur fiabilite relative bascule d’une sous-population a l’autre. La question du recollement devient : que faire des objets ou les sections se contredisent ? Le §2 du body #12206 exige de le mesurer, pas de le plaider.

2. Le recollement naif et son defaut

Le recollement = la glue qui, d’objets couverts par plusieurs lectures, rend un verdict de decision. Deux regles realistes (calculables sans voir la fibre) :

R1 — majorite brute : chaque lecture a une voix, le verdict est celui de la majorite.
R2 — majorite ponderee par la precision globale : chaque lecture pese de sa precision standalone (mesuree sur tout le corpus). C’est la facon naturelle de corriger R1 — mais elle utilise un quotient global : une seule precision par lecture, aveugle a la sous-population.

Le defaut attendu : la glue “majorite” laisse les deux vues de surface (B, C) sur-voter la vue profonde (A) sur le cluster d’artefact, precisement la ou elles sont fausses. Et R2, en ponderant par la precision globale (B et C a 0,80, seulement un peu sous A a 0,98), n’y change presque rien : B et C restent majoritaires sur z=2.

Pour savoir si l’information existe (le defaut est-il reparable en principe, ou le substrat est-il intraitable ?), on ajoute une regle diagnostique :

R3 — glu qui voit la fibre : pondere par une fiabilite recalibree, obtenue en regardant apres coup qui a eu raison sur le noyau conteste (un auditeur qui voit les desaccords et vérifie qui avait tort y sur-peserait A, sous-peserait B et C). Ce n’est pas une regle realisable en ligne — la calibration exige deja la verite que R1/R2 ignorent. Sa seule fonction est de borner la perte : prouver que la perte de R1/R2 est due a la regle de collage, pas a une impossibilite du substrat. Elle voit la fibre au sens ou sa calibration en provient ; un decideur ne peut pas l’imiter sans la verite terrain.

La table de paiement (convention) transforme un verdict en valeur : agir sur un objet vrai rapporte 3 ; agir sur un objet faux coute 2 ; ne pas agir sur un objet vrai coute 1 (opportunite manquee) ; ne pas agir sur un objet faux ne coute rien.

R, C, O = 3.0, 2.0, 1.0
def paiement(agir, y_vrai):
    if agir and y_vrai: return R
    if agir and not y_vrai: return -C
    if not agir and y_vrai: return -O
    return 0.0


def vote(e, k):
    """Voix de la lecture k sur l'objet e : +1/-1 si elle le revendique, 0 sinon."""
    return (1 if pred[k][e] else -1) if comp[k][e] else 0

def R1(e):
    return sum(vote(e, k) for k in LECTURES) > 0

ACC = {k: float((pred[k] == y)[comp[k]].mean()) for k in LECTURES}
def R2(e):
    return sum(ACC[k]*vote(e, k) for k in LECTURES) > 0

# R3 : glu diagnostique, ponderee par la fiabilite locale (oracle post-mortem).
WLOC = {"A": 0.9, "B": 0.4, "C": 0.4, "D": 0.6}
def R3(e):
    return sum(WLOC[k]*vote(e, k) for k in LECTURES) > 0

def seule(e, k):
    return bool(pred[k][e]) and comp[k][e]

R, C, O = 3.0, 2.0, 1.0
def paiement(agir, y_vrai):
    if agir and y_vrai: return R
    if agir and not y_vrai: return -C
    if not agir and y_vrai: return -O
    return 0.0

def score_total(f):
    return sum(paiement(f(e), bool(y[e])) for e in range(N))

def score_cluster(f, cl):
    return sum(paiement(f(e), bool(y[e])) for e in range(N) if z[e] == cl)

print("Esperance de gain (EV) par regle de decision :")
print(f"{'regle':22s} {'total':>6s} {'z=0':>6s} {'z=1':>6s} {'z=2':>6s}")
for nom, f in [("R1 majorite brute", R1), ("R2 prec. globale", R2),
               ("R3 glu qui voit la fibre", R3),
               ("A seule", lambda e: seule(e, "A")), ("B seule", lambda e: seule(e, "B")),
               ("C seule", lambda e: seule(e, "C")), ("D seule", lambda e: seule(e, "D"))]:
    print(f"{nom:22s} {score_total(f):6.0f} {score_cluster(f, 0):6.0f} "
          f"{score_cluster(f, 1):6.0f} {score_cluster(f, 2):6.0f}")

Esperance de gain (EV) par regle de decision :
regle                   total    z=0    z=1    z=2
R1 majorite brute          63     54     24    -15
R2 prec. globale           71     54     24     -7
R3 glu qui voit la fibre     87     52     24     11
A seule                    97     52     24     21
B seule                    61     54     24    -17
C seule                    61     54     24    -17
D seule                    49     38     12     -1

Lecture — le recollement naif est domine

Le tableau est sans appel. R1 (63) et R2 (71) sont toutes deux dominees par la lecture A seule (97) : un decideur qui jette les trois autres lectures et ne garde que la vue profonde fait mieux (97) que les deux regles de recollement. Le gain a “fusionner” est donc negatif — la fusion naive detruit 34 unites d’esperance relative a A seule (soit ~35 % de la valeur de A).

La decomposition par cluster localise le defaut :

regle	total	z=2
R1 majorite	63	-15
R2 prec. globale	71	-7
R3 glu qui voit la fibre	87	+11
A seule	97	+21
B seule	61	-17
C seule	61	-17

Sur z=0 et z=1, ou les lectures concordent, toutes les regles reussissent (54/24) — le recollement y est inoffensif. Sur z=2, la majorite brute perd 15 unites : les deux vues de surface (fausses) sur-votent la vue profonde (juste), et la decision « agir » est rendue a tort. R2 reduit la perte a 7 (elle devine que A est plus fiable), mais ne la supprime pas.

R3 (87) recupere l’essentiel : la perte de R1/R2 n’est donc pas une impossibilite du substrat — l’information etait dans les lectures, R1/R2 ne l’exploitaient pas. C’est la distinction « substrat intraitable » vs « regle aveugle » que le recollement doit etablir, et elle est mesuree, pas plaidee. Que R3 (87) reste sous A seule (97) est un resultat honnete : dans ce corpus, la vue profonde est si bonne qu’aucune (re)combinaison ne la depasse — la fusion ne sert a rien ici, et la fusion naive coute.

3. Loi I — le temoin qui fait payer

« Si nous pretendons detecter un defaut de recollement, pouvons-nous produire un cycle concret qui exploite ce defaut ? » — tant que la reponse est non, le mot « obstruction » n’a pas gagne ses galons (#12206, Loi I).

Le patron est celui de de Finetti : un systeme de prix incoherent se convertit en Dutch Book — un pari compose qui gagne surement. Transposition : le decideur croit son recollement et rend, pour chaque objet conteste, la decision qu’il lui commande ; le bookmaker, qui connait la verite terrain, encaisse l’ecart. Le temoin est un objet sur lequel deux lectures rendent des reponses contradictoires, et ou la decision en aval bascule selon la lecture qu’on ecoute. Il n’est pas un residu : c’est une paire (question, bascule) dont on peut mesurer le cout.

Sur le cluster d’artefact, la question est : agir ou non sur cet objet ? A dit « oui » ou « non » selon la verite, B et C disent l’inverse, D s’abstient. La glue majorite suit B et C.


# --- Exhiber les temoins : objets ou R1 (majorite) et R3 (glu qui voit la fibre) divergent.
print("Temoins (objets du cluster d'artefact ou la majorite se trompe) :")
print(f"{'e':>3s} {'y':>2s} {'A':>4s} {'B':>4s} {'C':>4s} {'D':>4s} "
      f"{'R1':>5s} {'R3':>5s} {'EV_R1':>6s} {'EV_R3':>6s} {'EV_A':>6s}")
for e in range(N):
    if z[e] == 2 and R1(e) != R3(e):
        av = lambda k: f"{int(pred[k][e])}|{int(comp[k][e])}"
        print(f"{e:3d} {int(y[e]):2d} {av('A'):>4s} {av('B'):>4s} {av('C'):>4s} {av('D'):>4s} "
              f"{'agir' if R1(e) else 'non ':>5s} {'agir' if R3(e) else 'non ':>5s} "
              f"{paiement(R1(e), bool(y[e])):6.0f} {paiement(R3(e), bool(y[e])):6.0f} "
              f"{paiement(seule(e, 'A'), bool(y[e])):6.0f}")
print()
print("Cout measure du recollement naif :")
print(f"  R1 -> R3 : {score_total(R3) - score_total(R1):.0f} unites d'esperance")
print(f"  R1 -> A seule : {score_total(lambda e: seule(e, 'A')) - score_total(R1):.0f} unites")

Temoins (objets du cluster d'artefact ou la majorite se trompe) :
  e  y    A    B    C    D    R1    R3  EV_R1  EV_R3   EV_A
 37  1  1|1  0|1  0|1  1|1  non   agir     -1      3      3
 40  0  0|1  1|1  1|1  0|0  agir  non      -2      0      0
 41  1  1|1  0|1  0|1  1|0  non   agir     -1      3      3
 42  1  1|1  0|1  0|1  1|1  non   agir     -1      3      3
 44  0  0|1  1|1  1|1  0|0  agir  non      -2      0      0
 45  1  1|1  0|1  0|1  1|0  non   agir     -1      3      3
 46  0  0|1  1|1  1|1  1|0  agir  non      -2      0      0
 47  1  1|1  0|1  0|1  0|0  non   agir     -1      3      3

Cout measure du recollement naif :
  R1 -> R3 : 24 unites d'esperance
  R1 -> A seule : 34 unites

Lecture — la reponse a la Loi I, dans les deux sens

L’objet conteste qui paie. Prends e=40 : la verite est y=0 (a ecarter). La vue profonde A dit « non » (le verdict juste), les vues de surface B et C disent « oui » (inversees par l’artefact), D s’abstient. La glue majorite rend « agir » → le decideur agit a tort et paie -2 ; en ecoutant A seule (ou R3), il ne fait rien et paie 0. La decision bascule selon la lecture qu’on ecoute, et la bascule coute. Huit objets du cluster d’artefact portent la meme bascule (e=37, 40, 41, 42, 44, 45, 46, 47) : ce n’est pas un cas isole, c’est un flux — exactement le Dutch Book construit depuis un systeme de prix incoherent (ici : une glue qui pondere a l’identique des sections de fiabilite inegale).

Le sens sain. Sur z=0 et z=1, les lectures concordent : aucune contradiction, donc aucune bascule de decision disponible — il n’y a rien a exploiter. C’est le miroir de la version saine d’ICT-15k (pas de pari gagnable quand le recollement est compatible).

Donc : le mot « obstruction » a-t-il gagne ses galons ? Oui, au sens strict de la Loi I — un defaut de compatibilite reel (des sections qui se contredisent sur un objet) se convertit en temoin concret qui fait payer. Mais honnetement : le defaut n’est pas que le recollement se trompe sur un cluster ; c’est que la fusion naive est une charge (dominee par la meilleure lecture seule). Le recollement n’apporte de la valeur que si la glue voit la fiabilite locale — ce que le quotient global (R2) ne fait qu’avoir. Le substrat d’artefact n’est pas l’exception qu’on contourne : c’est la region ou l’asymetrie de fiabilite se revele, et ou le naive se paie.

4. Variante -b : la sensibilite au choix de la glue

La Loi I est un fait, mais est-il robuste ? Le temoin du §3 depend de trois parametres : la regle de collage (majorite / precision / locale), le seuil de competence de la lecture muette (MARG["D"]), et l’amplitude de l’artefact (la fraction d’inversion INV). Faisons varier ces parametres et mesurons si la perte de R1 sur le cluster d’artefact survit — ou si elle disparait avec un reglage favorable (ce qui disqualifierait l’obstruction en tant que propriete).


def valeurs(f):
    return (score_total(f), score_cluster(f, 2))

# --- Sensibilite 1 : quel seuil de competence pour la lecture causale D ?
print("Sensibilite au seuil de competence de D (marge) — total / z=2 :")
for m in (0.2, 0.5, 0.8):
    MARG_D = m
    compd = {k: (np.abs(Z[k]) > (MARG_D if k == "D" else MARG[k])) for k in LECTURES}
    def voteD(e, k):
        return (1 if pred[k][e] else -1) if compd[k][e] else 0
    def R1d(e):
        return sum(voteD(e, k) for k in LECTURES) > 0
    def score_total_d(f):
        return sum(paiement(f(e), bool(y[e])) for e in range(N))
    def score_cluster_d(f, cl):
        return sum(paiement(f(e), bool(y[e])) for e in range(N) if z[e] == cl)
    t = score_total_d(R1d); c2 = score_cluster_d(R1d, 2)
    tA = score_total_d(lambda e: (bool(pred["A"][e]) and compd["A"][e]))
    print(f"  MARG D = {m:.1f} : R1 total={t:5.0f}  z=2={c2:5.0f}  | A seule total={tA:5.0f}")

# --- Sensibilite 2 : la fraction d'inversion (amplitude de l'artefact).
print()
print("Sensibilite a l'amplitude de l'artefact (fraction d'inversion de B) — total / z=2 :")
for f_inv in (0.5, 1.0, 1.5):
    Wb = {"A": 0.7, "B": 1.0, "C": 1.0, "D": 0.9}
    B = Wb["B"]*core - f_inv*2*Wb["B"]*(z == 2)*core + NOISE["B"]
    Zb = zsc(B)
    predB = Zb > 0
    compB = np.abs(Zb) > MARG["B"]
    def vote2(e, k):
        if k == "B":
            return (1 if predB[e] else -1) if compB[e] else 0
        return (1 if pred[k][e] else -1) if comp[k][e] else 0
    def R1b(e):
        return sum(vote2(e, k) for k in LECTURES) > 0
    def score_cluster_b(f, cl):
        return sum(paiement(f(e), bool(y[e])) for e in range(N) if z[e] == cl)
    print(f"  inv B = {f_inv:.1f} : R1 total={score_total(R1b):5.0f}  z=2={score_cluster_b(R1b, 2):5.0f}")

Sensibilite au seuil de competence de D (marge) — total / z=2 :
  MARG D = 0.2 : R1 total=   65  z=2=  -13  | A seule total=   97
  MARG D = 0.5 : R1 total=   63  z=2=  -15  | A seule total=   97
  MARG D = 0.8 : R1 total=   61  z=2=  -17  | A seule total=   97

Sensibilite a l'amplitude de l'artefact (fraction d'inversion de B) — total / z=2 :
  inv B = 0.5 : R1 total=   77  z=2=   -1
  inv B = 1.0 : R1 total=   63  z=2=  -15
  inv B = 1.5 : R1 total=   63  z=2=  -15

Lecture — l’obstruction est une propriete mesurable, pas un reglage

Seuil de competence de D. Que la lecture causale soit exigeante (marge 0,8) ou laxiste (0,2), R1 perd sur z=2 (et reste sous A seule) : 0,5 et 0,8 donnent des pertes comparables. La marge change qui parle, pas que la vue profonde soit sur-votee sur le cluster d’artefact. Amplitude de l’artefact. Meme a inversion partielle (0,5), R1 reste en perte sur z=2.

L’obstruction n’est donc pas un artefact de calibrage : c’est une propriete du recouvrement — quand deux sections de fiabilite inegale recouvrent le meme objet et que la glue les pese a l’identique, la moins fiable l’emporte et la decision bascule. Le parametre qui la fait disparaitre n’est pas un « bon reglage » de glue, c’est la connaissance de la fiabilite locale (ce que R3 a, et que R1/R2 ne peuvent pas calculer en ligne). C’est la reponse du substrat a la dette du §2 : le defaut apparait et disparait avec la structure epistemique, pas avec l’humeur de l’experimentateur.


import matplotlib.pyplot as plt

lab_r = ["R1 majorite", "R2 prec. globale", "R3 glu locale", "A seule", "B seule", "C seule", "D seule"]
val_r = [score_total(R1), score_total(R2), score_total(R3),
         score_total(lambda e: seule(e, "A")), score_total(lambda e: seule(e, "B")),
         score_total(lambda e: seule(e, "C")), score_total(lambda e: seule(e, "D"))]
colors = ["#c0392b", "#d35400", "#7d3c98", "#1f77b4", "#7f8c8d", "#7f8c8d", "#7f8c8d"]

plt.figure(figsize=(8, 4.2))
bars = plt.barh(lab_r, val_r, color=colors)
for b, v in zip(bars, val_r):
    plt.text(v + 0.6, b.get_y() + b.get_height()/2, f"{v:.0f}", va="center", fontsize=9)
plt.axvline(score_total(R1), color="#c0392b", linestyle="--", linewidth=0.8)
plt.xlabel("Esperance de gain (EV) sur tout le corpus")
plt.title("Recollement naif domine par la lecture profonde seule")
plt.tight_layout()
plt.show()
print("Le recollement naif (R1, ligne rouge) est domine par A seule, et par R3 (glu qui voit la fibre).")

Le recollement naif (R1, ligne rouge) est domine par A seule, et par R3 (glu qui voit la fibre).

Lecture — la collision, vue de pres

Le graphe resume le §2 : les deux regles de recollement realistes (R1, R2) sont dans la moitie gauche, sous A seule (barre bleue) ; la glu diagnostique R3 les depasse mais reste sous A. Les lectures de surface seules (B, C) sont les plus mauvaises — elles sont excellentes sur l’essentiel et fausses sur le cluster d’artefact, ce qui les fait paraitre honnetes en moyenne. C’est exactement pourquoi une glue naive, qui ne regarde que la moyenne, se trompe : la moyenne cache la bascule locale.

5. Exercices

Les stubs suivants sont des amorces : completent-les pour prolonger le banc. Aucun n’introduit d’erreur volontaire — le notebook s’execute de bout en bout meme exercice non complete.

Exercice 1 — verifier le temoin sur un autre seed

La generation du corpus utilise np.random.default_rng(42). Regenere-le avec un autre seed et vérifie si le temoin (§3) survit. En particulier : la contradiction reste-t-elle concentree sur z=2 ? R1 reste-t-elle dominee par A seule ? Conclut sur la robustesse de l’obstruction a la particuliere realisation.


# TODO etudiant : changer le seed et re-mesurer matrice + EV.
# Indice : remplacez 42 par un autre seed dans default_rng(...), relancez les cellules 2 et 4,
# et comparez les verdicts (contradiction par cluster, EV de R1 vs A seule).
pass
print("Exercice 1 a completer — regenerez le corpus (autre seed) et comparez les verdicts.")

Exercice 1 a completer — regenerez le corpus (autre seed) et comparez les verdicts.

Exercice 2 — une lecture qui s’abstient

La lecture causale D s’abstient sur le cluster d’artefact (ZERO["D"] = 1). Donne-lui au contraire une competence totale (marge 0) sans l’inverser : que devient la matrice de compatibilite et la perte de R1 sur z=2 ? La vue causale venant aider A, le recouvrement se recolle-t-il ?


# TODO etudiant : regler MARG["D"] a 0 et relancer la matrice + EV.
# Indice : D tres lisible (marge 0) et non inversee devrait voter AVEC A, et faire disparaitre la
# sur-vote B/C sur z=2 -- sauf si D est elle-meme bruitee.
print("Exercice 2 a completer — rendez la lecture causale competente partout et re-mesurez.")

Exercice 2 a completer — rendez la lecture causale competente partout et re-mesurez.

Exercice 3 — la glue qui voit la fibre

R3 pondere par une fiabilite locale fournie apres coup. Construis une regle qui estime cette fiabilite locale sans connaitre z : par exemple, groupe les objets par leur profil de desaccord (quelles lectures se contredisent) et estime, sur un sous-ensemble de calibration, la fiabilite de chaque lecture par groupe. Ta glue bat-elle R1 ? Est-elle proche de R3 ?


# TODO etudiant : estimer la fiabilite locale par profil de desaccord, sans acces a z.
# Indice : regroupez par (signe des votes), estimez la precision par groupe sur une tranche
# de calibration, puis appliquez au reste. Comparez a R1 et R3.
print("Exercice 3 a completer — construisez une glue qui estime la fiabilite locale par profil.")

Exercice 3 a completer — construisez une glue qui estime la fiabilite locale par profil.

Conclusion — la chaine completee sur un substrat disciplinaire

Le banc de recollement de lectures, pose sur un substrat epistemique (quatre specialistes d’un meme corpus), reproduit la chaine d’ICT-15k sur le substrat geometrique :

Le recouvrement est mesure, pas choisi — les domaines de competence des quatre lectures sortent de la generation du corpus, et le bord est defini avant les sections (dette du §2 payee par construction).
La condition de compatibilite est ecrite — deux lectures qui recouvrent un objet doivent concorder ; sinon, les sections sont incompatibles. Et elle est mesuree : la contradiction se concentre sur le cluster d’artefact (33/54) et disparait ailleurs (2/198, 0/60).
Le temoin existe et il paie — huit objets ou la question « agir ? » recoit des reponses contradictoires, et ou la decision bascule selon la lecture qu’on ecoute. Le naive suit les vues de surface (fausses) et coute -2 par objet ; la vue profonde (seule) ou la glue qui voit la fibre vont dans le sens de la verite.

La lecon la plus honnete est qu’une fusion naive est une charge, pas un cadeau : R1 (63) et R2 (71) sont dominees par la lecture profonde seule (97). Le vocabulaire du recollement — fibres, transports, compatibilite — s’avere donc operationnel sur un substrat non-geometrique : il designe un defaut mesurable et exploitable (Loi I), il localise la region ou il apparait, et il distingue le « substrat intraitable » du « regle aveugle » (R3, oraculaire, recupere la perte). Ce que le theoreme hashlife_correct garantissait pour le quadtree (un recollement possible), ce banc le mesure pour des lectures — et la mesure montre que la valeur de la fusion est conditionnelle a la connaissance de la fiabilite locale, exactement la fibre que le quotient global ne voit pas.

Limite assumee. z (la sous-population) est connue du prototype, pas du decideur. La glu qui « voit la fibre » (R3) est un borne, pas un algorithme : elle prouve que la perte est reparable en principe, pas qu’elle est reparlee. Reconstruire la fibre a partir des seuls desaccords (exercice 3) est le pas suivant — et c’est la ou la non-trivialite reelle du recollement se cache.

Retour au sommet