SEF-BAYES

SEF-BAYES Strategic Experimentation Framework Sequential Bayesian Audit Engine for Institutional Decision Support Auteur : Anne Povie Version : 1.0 Date : 2026 Licence : MIT Résumé exécutif SEF-Bayes est un framework logiciel destiné à la mise à jour probabiliste séquentielle d’hypothèses stratégiques à partir d’évidences horodatées. Il implémente : un moteur bayésien séquentiel une pondération par qualité des données un facteur d’oubli temporel un audit trail complet et traçable un système de déclenchement décisionnel (watch / alert / incoherence) des garde-fous institutionnels (anti-saturation, décorrélation, plafonnement log-odds) L’objectif est de fournir un outil d’aide à la décision robuste, transparent et audit-ready. 1. Cadre conceptuel 1.1 Principe mathématique Le moteur repose sur : P(H|E) ∝ P(E|H) × P(H) Implémentation opérationnelle : PosteriorOdds(H) = PriorOdds(H) × ∏ LR(E_i) Avec : LR(E_i) = P(E_i|H=1) / P(E_i|H=0) 1.2 Mise à jour séquentielle Pour des fenêtres temporelles successives : Odds_t = (Odds_{t-1})^λ × ∏ LR(E_i,t) où : λ ∈ [0,1] = facteur d’oubli (forgetting factor) 2. Architecture logicielle 2.1 Couches Core probabiliste Meta-Evidence (gestion corrélations) Gouvernance décisionnelle Calibration & Validation Interface Audit 2.2 Modules principaux math.ts update.ts metaEvidence.ts governance.ts audit.ts calibration.ts 3. Spécification des données 3.1 Hypothèse latente Type : Bernoulli Exemple : H11_Erosion_Illiberale Prior = 0.25 3.2 EvidenceEvent Structure JSON : { "featureId": "E_Presse", "windowId": "2026-Q1", "binarized": 1, "source": { "type": "index", "name": "RSF" }, "quality": { "confidence": 0.80 } } 3.3 Audit Trail Chaque mise à jour produit : PriorP PriorOdds LR produit PosteriorOdds PosteriorP Contribution marginale par évidence (Δlog-odds) Horodatage Checksum modèle Checksum données 4. Garde-fous institutionnels 4.1 Anti-saturation Plafonnement log-odds : logOdds ∈ [-L, +L] Valeur recommandée : L = 5 Probabilité maximale affichée ≈ 99.33% Objectif : empêcher l’affichage 100% sur phénomènes complexes. 4.2 Décorrélation des évidences Création d’un meta-indice : E_Institutions = agrégation pondérée de : Liberté presse Indépendance judiciaire Qualité électorale État d’urgence Évite la multiplication artificielle des LR corrélés. 4.3 Cap sur absences d’événements Les observations négatives (E=0) sont plafonnées : LR_absence ≤ 2.0 Justification : l’absence d’attribution n’est pas preuve forte. 5. Gouvernance décisionnelle 5.1 Triggers standards T1 — Watch Condition : P(H) > 0.40 sur 2 fenêtres Action : audit approfondi T2 — Alert Condition : P(H) > 0.55 + convergence indicateurs hard Action : rapport contradictoire T3 — Incoherence Condition : hausse sans données hard Action : diagnostic modèle T4 — Data Insufficient Condition : qualité moyenne < seuil Action : pas d’alerte forte T5 — Instabilité Condition : variation brutale ΔP Action : analyse régime de données 6. Calibration et validation 6.1 Métriques Brier Score Log Loss Courbe de calibration Sensitivity Analysis 6.2 Backtests Le framework permet l’évaluation sur scénarios historiques multi-fenêtres. 7. Conformité FAIR Schémas JSON versionnés Paramètres CPT traçables Checksum des runs Séparation modèle / données 8. Limites Les probabilités ne sont pas des prédictions déterministes. Les CPT doivent être calibrées empiriquement. Les corrélations résiduelles peuvent subsister. L’outil assiste la décision, il ne décide pas. 9. Conclusion SEF-Bayes constitue un framework probabiliste structuré permettant : l’exploration scénaristique la mise à jour transparente d’hypothèses la traçabilité complète des contributions d’évidence la production de signaux décisionnels auditables Il peut être utilisé en : mode laboratoire (exploratoire) mode institutionnel (contraint, régularisé, gouverné) Annexes A. Pseudo-code complet du moteur B. Schémas JSON C. Exemple de run complet D. Exemple de calibration Références Dépôts Zenodo liés : 10.5281/zenodo.17807186 10.5281/zenodo.17806711 10.5281/zenodo.17771194