Aller au contenu

14 — Baseline non-supervisé

Avertissement éthique : Ce profil est inféré à partir de sources publiques agrégées. Il ne doit pas être utilisé pour classer des individus réels. Voir `07_ethics_publication_policy.md.

1. Question

Si on lance un clustering data-driven sur les données brutes (WVS Inglehart-Welzel + Hofstede), retrouve-t-on les 11 macro-civilisations Huntington-informées ou des regroupements différents ?

Si le data-driven et l'informé-Huntington convergent, la taxonomie est soutenue par la géométrie des données. S'ils divergent, la taxonomie impose une structure qui n'émerge pas naturellement.

2. Protocole

Features

Vecteur 8-dimensionnel par État : (TS, SE, PDI, IDV, MAS, UAI, LTO, IVR). Standardisation z-score par axe avant clustering.

Méthodes comparées

  1. k-means avec k=11 (matching la cardinalité de la taxonomie).
  2. HDBSCAN-lite (single-linkage + cut au plus grand gap, min_cluster_size = 3) — choix libre du nombre de clusters.
  3. Référence Huntington-informée : argmax(wₛ) pour chaque État.

Métriques

  • ARI (Adjusted Rand Index) : -1 à +1, mesure de l'accord entre deux partitions sans dépendre des étiquettes.
  • NMI (Normalised Mutual Information) : 0 à 1, information partagée entre les deux partitions.

Sortie

assets/data/empirical/baseline_clustering.json (généré par civvec empirical baseline).

3. Lecture

3.1 ARI / NMI

Valeur Interprétation
ARI ≈ 0 Accord aléatoire — la taxonomie n'est pas retrouvée par data-driven
ARI ≈ 0.3 Accord modéré — quelques clusters reconnaissables
ARI ≈ 0.6 Accord substantiel — la taxonomie est largement soutenue
ARI ≈ 0.8+ Accord fort — la taxonomie émerge naturellement

NMI plus tolérant : NMI > 0.5 indique déjà un signal partagé non trivial.

3.2 Cas attendus

Hypothèse de convergence partielle : la taxonomie devrait être bien retrouvée pour les civilisations larges et homogènes (western, latin_american, african) mais mal retrouvée pour les civilisations petites ou ambiguës (japanese seul = 1 État, indigenous à peine couvert, buddhist chevauchant Sinic).

ARI attendu : entre 0.3 et 0.55.

3.3 Résultats v3.0

Mesures publiées dans assets/data/empirical/baseline_clustering.json :

Métrique k-means k=11 vs Huntington
ARI 0.459
NMI 0.721

Interprétation :

  • ARI = 0.459 se situe dans la zone « accord modéré-substantiel » — la taxonomie Huntington-informée est largement soutenue par un clustering non-supervisé sur les données brutes WVS+Hofstede, sans être parfaitement émergente.
  • NMI = 0.721 confirme une information partagée importante entre les deux partitions (la moitié des États sont assignés à la même classe par les deux méthodes).
  • Conclusion : la taxonomie n'est pas arbitraire : même un algorithme qui ne sait rien d'Huntington retrouve une structure proche. Mais elle n'est pas non plus émergente naturelle — l'apport d'Huntington ajoute un signal d'environ 30-50% à ce qui est dérivable par data uniquement.

4. Confusion matrix

baseline_clustering.json publie le mapping k-means cluster ↔ Huntington civilisation, ce qui permet de voir :

  • Quelles civilisations sont scindées en plusieurs clusters k-means (signe d'hétérogénéité intra-civ).
  • Quelles civilisations sont fusionnées dans un même cluster k-means (signe de proximité géométrique non distinguable sans Huntington).

5. HDBSCAN-lite : densité

HDBSCAN-lite identifie des « noyaux denses » dans l'espace 8D :

  • Le nombre de clusters trouvés peut différer de 11.
  • Les États classés -1 (noise) sont des valeurs aberrantes par rapport aux noyaux denses — pas nécessairement à exclure, mais à examiner.

6. Limites

  1. k=11 imposé pour k-means : on contraint la cardinalité à la taxonomie. Un k optimal data-driven pourrait être différent (3 ? 5 ?). La métrique « silhouette » sur k variable n'est pas calculée en v3.0.
  2. HDBSCAN-lite ≠ HDBSCAN canonique : notre implémentation single-linkage + gap est une approximation. Une vraie HDBSCAN (mutual reachability density) pourrait diverger.
  3. Pas d'analyse UMAP/t-SNE : visualiser le clustering en 2D nécessite une projection non-linéaire qui n'est pas implémentée en v3.0.
  4. Pas de bootstrap des ARI/NMI : on rapporte des points, pas des CI.

7. Travaux futurs

  • Sweep sur k pour k-means + critère silhouette.
  • HDBSCAN canonique (via une dépendance optionnelle).
  • Projection UMAP/PCA des 8D vers 2D pour visualisation.
  • Comparaison à des taxonomies alternatives (Welzel 2013, Schwartz Values).