{"id":22790,"date":"2026-10-27T23:50:09","date_gmt":"2026-10-27T23:50:09","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_term=analyse-cart-arbres-decision-psychologie"},"modified":"2026-10-27T23:50:09","modified_gmt":"2026-10-27T23:50:09","slug":"analyse-cart-arbres-decision-psychologie","status":"publish","type":"psych_term","link":"https:\/\/french.arabpsychology.com\/?psych_term=analyse-cart-arbres-decision-psychologie","title":{"rendered":"Analyse CART : Arbres de d\u00e9cision clinique"},"content":{"rendered":"

L’analyse CART (pour Classification and Regression Trees<\/em> ou arbres de classification et de r\u00e9gression) constitue l’un des piliers m\u00e9thodologiques de l’apprentissage statistique moderne appliqu\u00e9 aux sciences du comportement. En substituant aux postulats rigides de lin\u00e9arit\u00e9 une approche non param\u00e9trique fond\u00e9e sur le partitionnement r\u00e9cursif, cette m\u00e9thode offre une lisibilit\u00e9 clinique in\u00e9dite pour cartographier la complexit\u00e9 des ph\u00e9notypes psychologiques.<\/p>\n

1. D\u00e9finition concise<\/h3>\n

L’analyse CART<\/strong> est une m\u00e9thode statistique non param\u00e9trique d’apprentissage automatique supervis\u00e9 qui segmente un \u00e9chantillon d’individus de mani\u00e8re hi\u00e9rarchique et binaire en sous-groupes de plus en plus homog\u00e8nes au regard d’une variable d’int\u00e9r\u00eat clinique ou psychologique. Selon que la variable d\u00e9pendante mesur\u00e9e est qualitative (comme la pr\u00e9sence d’un trouble psychiatrique) ou continue (comme le score d’intensit\u00e9 d’une d\u00e9tresse affective), le mod\u00e8le g\u00e9n\u00e8re respectivement un arbre de classification ou un arbre de r\u00e9gression.<\/p>\n

Dans le paradigme des sciences psychologiques, l’analyse CART ne se limite pas \u00e0 un simple algorithme pr\u00e9dictif ; elle repr\u00e9sente une modalit\u00e9 d’exploration heuristique capable de d\u00e9gager des seuils critiques (cut-off points<\/em>) pr\u00e9cis sur des \u00e9chelles psychom\u00e9triques et d’identifier des interactions d’ordre sup\u00e9rieur entre multiples d\u00e9terminants biopsychosociaux. Cette d\u00e9marche permet d’aboutir \u00e0 une structure arborescente d\u00e9cisionnelle transparente, particuli\u00e8rement valoris\u00e9e lors de la formulation de protocoles de triage diagnostique et de d\u00e9cision th\u00e9rapeutique personnalis\u00e9e.<\/p>\n

Contrairement aux mod\u00e8les de r\u00e9gression multivari\u00e9e conventionnels, qui imposent des hypoth\u00e8ses restrictives sur la distribution des r\u00e9sidus et postulent des effets additifs constants, la technique CART fragmente l’espace multidimensionnel des covariables en r\u00e9gions rectangulaires mutuellement exclusives. Chaque division successive cherche \u00e0 minimiser l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interne des n\u0153uds r\u00e9sultants, reproduisant ainsi fid\u00e8lement le cheminement d\u00e9ductif et s\u00e9quentiel du clinicien confront\u00e9 \u00e0 un tableau nosologique h\u00e9t\u00e9rog\u00e8ne.<\/p>\n

2. \u00c9tymologie et origine linguistique<\/h3>\n

L’expression \u00ab CART \u00bb est un acronyme issu de l’anglais Classification and Regression Trees<\/em>, forg\u00e9 au d\u00e9but des ann\u00e9es 1980 dans le creuset de la statistique computationnelle nord-am\u00e9ricaine. En fran\u00e7ais, la terminologie officielle emploie couramment la locution \u00ab arbres de classification et de r\u00e9gression \u00bb ou \u00ab m\u00e9thode de partitionnement r\u00e9cursif binaire \u00bb, bien que l’abr\u00e9viation anglophone originale soit presque universellement conserv\u00e9e dans la litt\u00e9rature sp\u00e9cialis\u00e9e et les manuels de m\u00e9thodologie clinique.<\/p>\n

Sur le plan s\u00e9mantique, la m\u00e9taphore botanique de l’\u00ab arbre \u00bb renvoie \u00e0 la th\u00e9orie des graphes et aux structures arborescentes de donn\u00e9es, caract\u00e9ris\u00e9es par un tronc initial qui bifurque progressivement vers des branches secondaires. Le mot \u00ab classification \u00bb d\u00e9rive du latin classis<\/em> (classe, division de citoyens) et facere<\/em> (faire), signifiant litt\u00e9ralement l’acte d’ordonner des individus dans des cat\u00e9gories distinctes. Quant au terme \u00ab r\u00e9gression \u00bb, introduit en biom\u00e9trie par Sir Francis Galton \u00e0 la fin du XIXe si\u00e8cle \u00e0 travers son observation de la \u00ab r\u00e9gression vers la moyenne \u00bb, il a \u00e9t\u00e9 r\u00e9appropri\u00e9 par les statisticiens pour d\u00e9signer la pr\u00e9diction quantitative d’une variable num\u00e9rique \u00e0 partir d’autres indicateurs mesur\u00e9s.<\/p>\n

3. Prononciation et forme grammaticale<\/h3>\n

Dans l’usage acad\u00e9mique francophone, le sigle CART se prononce phon\u00e9tiquement sous la forme d’un monosyllabe : \/ka\u0281t\/ (homophone du mot commun \u00ab carte \u00bb). Lorsqu’il est utilis\u00e9 en tant que syntagme complet, on articule l’acronyme ou l’on explicite l’appellation sous la forme [a\u0281b\u0281 d\u0259 kla.si.fi.ka.sj\u0254\u0303 e d\u0259 \u0281e.\u0261\u0281\u025b.sj\u0254\u0303].<\/p>\n

Sur le plan grammatical, l’expression s’emploie principalement comme un nom f\u00e9minin lorsqu’elle est associ\u00e9e au terme \u00ab analyse \u00bb (\u00ab une analyse CART \u00bb) ou masculin lorsqu’elle qualifie l’algorithme ou l’arbre (\u00ab un mod\u00e8le CART \u00bb, \u00ab un arbre CART \u00bb). Dans le discours savant, il est courant de rencontrer CART en position de compl\u00e9ment du nom sans d\u00e9terminant (par exemple : \u00ab la m\u00e9thodologie CART \u00bb, \u00ab les estimateurs CART \u00bb) ou d\u00e9clin\u00e9 au pluriel sous sa d\u00e9nomination int\u00e9grale (\u00ab les arbres CART \u00bb).<\/p>\n

4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n

L’architecture op\u00e9rationnelle d’une analyse CART repose sur le principe de partitionnement r\u00e9cursif binaire<\/em>. Le processus s’amorce au niveau du \u00ab n\u0153ud racine \u00bb (root node<\/em>), lequel englobe l’int\u00e9gralit\u00e9 de la cohorte d’\u00e9valuation clinique. L’algorithme passe au crible chaque variable pr\u00e9dictive disponible \u2014 qu’il s’agisse de variables quantitatives continues (comme l’\u00e2ge, des scores de d\u00e9pression ou des concentrations de biomarqueurs) ou de variables qualitatives nominales et ordinales (comme le genre, le statut matrimonial ou le niveau d’exposition traumatique) \u2014 et \u00e9value chaque point de scission (split<\/em>) potentiel.<\/p>\n

Pour d\u00e9terminer la scission optimale \u00e0 chaque \u00e9tape, l’algorithme maximise la puret\u00e9 des deux sous-n\u0153uds (\u00ab n\u0153uds enfants \u00bb) cr\u00e9\u00e9s. Dans un arbre de classification, le crit\u00e8re d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 le plus classique est l’indice de Gini<\/a> (ou parfois l’entropie de Shannon), qui \u00e9value la probabilit\u00e9 qu’un individu s\u00e9lectionn\u00e9 au hasard soit mal class\u00e9 si son \u00e9tiquetage \u00e9tait effectu\u00e9 selon la distribution des classes dans le n\u0153ud. Dans un arbre de r\u00e9gression, o\u00f9 l’objectif est d’estimer une quantit\u00e9 continue (par exemple, le nombre d’\u00e9pisodes dissociatifs par mois), le partitionnement vise \u00e0 minimiser la somme des carr\u00e9s des \u00e9carts \u00e0 la moyenne intra-n\u0153ud (erreur quadratique moyenne).<\/p>\n

Cette fragmentation se poursuit de mani\u00e8re r\u00e9cursive : chaque nouveau sous-groupe est \u00e0 son tour soumis \u00e0 une recherche exhaustive du meilleur split binaire possible, ind\u00e9pendamment des embranchements parall\u00e8les. Ce fonctionnement d\u00e9couple totalement CART des hypoth\u00e8ses de sym\u00e9trie : une variable pr\u00e9dictive critique pour les sujets pr\u00e9sentant un niveau \u00e9lev\u00e9 d’anxi\u00e9t\u00e9 peut \u00eatre totalement ignor\u00e9e par l’algorithme pour le sous-\u00e9chantillon affichant une anxi\u00e9t\u00e9 faible, ce qui formalise math\u00e9matiquement le concept psychologique d’interaction non lin\u00e9aire locale.<\/p>\n

Un arbre d\u00e9velopp\u00e9 sans contrainte risque d’aboutir \u00e0 un surapprentissage<\/a> (overfitting<\/em>) aigu, en m\u00e9morisant le bruit statistique de l’\u00e9chantillon d’apprentissage plut\u00f4t que les lois sous-jacentes du ph\u00e9nom\u00e8ne psychopathologique \u00e9tudi\u00e9. Pour pallier cet \u00e9cueil, la m\u00e9thodologie CART formalis\u00e9e par Breiman int\u00e8gre une \u00e9tape d\u00e9cisive d’\u00e9lagage par co\u00fbt-complexit\u00e9 (cost-complexity pruning<\/em>). L’arbre maximal subit une troncature progressive de ses ramifications les plus marginales en p\u00e9nalisant le nombre total de n\u0153uds terminaux par un param\u00e8tre de r\u00e9gularisation, valid\u00e9 classiquement par validation crois\u00e9e \u00e0 k blocs (k-fold cross-validation<\/em>).<\/p>\n

5. \u00c9volution et d\u00e9veloppement historique<\/h3>\n

Les racines intellectuelles de la mod\u00e9lisation arborescente remontent aux travaux pionniers de James Morgan et John Sonquist \u00e0 l’Universit\u00e9 du Michigan au d\u00e9but des ann\u00e9es 1960. Ces chercheurs ont con\u00e7u en 1964 le syst\u00e8me AID (Automatic Interaction Detection<\/em>), initialement d\u00e9di\u00e9 \u00e0 la sociologie quantitative pour rep\u00e9rer les interactions entre variables sociod\u00e9mographiques sans imposer d’\u00e9quations structurelles pr\u00e9d\u00e9finies. Bien que novateur, AID souffrait d’un arr\u00eat pr\u00e9matur\u00e9 des scissions et d’un manque d’assise probabiliste solide pour pr\u00e9venir la prolif\u00e9ration de sous-groupes parasites.<\/p>\n

Au fil des ann\u00e9es 1970, plusieurs extensions virent le jour, notamment THAID (pour les variables d\u00e9pendantes cat\u00e9gorielles) et CHAID (Chi-square Automatic Interaction Detector<\/em>, d\u00e9velopp\u00e9 par Gordon V. Kass en 1980). Toutefois, l’acte de naissance officiel et la standardisation math\u00e9matique d\u00e9finitive de la m\u00e9thode CART eurent lieu en 1984 avec la publication de l’ouvrage s\u00e9minal Classification and Regression Trees<\/em> par un quatuor de statisticiens d’exception : Leo Breiman, Jerome Friedman, Richard Olshen et Charles Stone. Leur monographie a r\u00e9solu l’\u00e9pineuse question du surapprentissage gr\u00e2ce \u00e0 l’\u00e9lagage r\u00e9troactif combin\u00e9 \u00e0 la validation crois\u00e9e, tout en d\u00e9montrant rigoureusement les propri\u00e9t\u00e9s asymptotiques du partitionnement binaire.<\/p>\n

Au tournant du XXIe si\u00e8cle, l’analyse CART a constitu\u00e9 le socle m\u00e9thodologique \u00e0 partir duquel de nouveaux horizons de l’apprentissage automatique<\/a> ont \u00e9merg\u00e9. Conscient de l’instabilit\u00e9 inh\u00e9rente aux arbres uniques face aux l\u00e9g\u00e8res variations d’\u00e9chantillonnage, Leo Breiman a introduit le bootstrap aggregating<\/em> (bagging) puis les for\u00eats al\u00e9atoires (Random Forests<\/em>) en 2001, tandis que Jerome Friedman formalisait les machines \u00e0 amplification de gradient (Gradient Boosting Machines<\/em>). Malgr\u00e9 ces \u00e9volutions vers des architectures d’ensemble (\u00ab bo\u00eetes noires \u00bb), l’arbre CART individuel demeure un outil incontournable en psychologie et en psychiatrie pr\u00e9cis\u00e9ment pour sa transparence interpr\u00e9tative, d\u00e9sign\u00e9e aujourd’hui sous l’appellation d’IA explicable (Explainable AI<\/em> ou XAI).<\/p>\n

6. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques<\/h3>\n

Sur le plan \u00e9pist\u00e9mologique, l’analyse CART incarne la transition conceptuelle th\u00e9oris\u00e9e par Breiman (2001) entre \u00ab la culture des mod\u00e8les de donn\u00e9es \u00bb et \u00ab la culture des mod\u00e8les algorithmiques \u00bb. Alors que la premi\u00e8re assume a priori que les processus de la psych\u00e9 humaine r\u00e9pondent \u00e0 une \u00e9quation probabiliste param\u00e9trique d\u00e9finie par le chercheur (telle une r\u00e9gression logistique lin\u00e9aire), la seconde postule que la machinerie cognitive et clinique sous-jacente est bien trop complexe et multiforme pour \u00eatre contrainte dans un carcan lin\u00e9aire ferm\u00e9.<\/p>\n

D’un point de vue psychom\u00e9trique, CART r\u00e9sonne profond\u00e9ment avec la notion de typologie clinique et de configurationnisme. En psychopathologie diff\u00e9rentielle, la perspective configurationnelle affirme qu’un trouble n’est pas simplement le produit arithm\u00e9tique d’une addition de vuln\u00e9rabilit\u00e9s individuelles ind\u00e9pendantes, mais l’\u00e9mergence d’une constellation sp\u00e9cifique de conditions qui interagissent de mani\u00e8re discontinue. En autorisant des points de coupure asym\u00e9triques le long du d\u00e9veloppement des branches, CART formalise le principe d’\u00e9quifinalit\u00e9 (diff\u00e9rentes combinaisons de facteurs m\u00e8nent \u00e0 une m\u00eame trajectoire symptomatique) et de multifinalit\u00e9 (une m\u00eame variable de d\u00e9part d\u00e9bouche sur des \u00e9tats cliniques divergents selon les mod\u00e9rateurs associ\u00e9s).<\/p>\n

En outre, CART repose sur une th\u00e9orie de la d\u00e9cision bay\u00e9sienne non d\u00e9clar\u00e9e : \u00e0 chaque bifurcation, le mod\u00e8le redistribue les probabilit\u00e9s a posteriori d’appartenance \u00e0 un groupe nosologique en fonction de l’information apport\u00e9e par la variable discriminante. L’algorithme op\u00e8re ainsi une traduction math\u00e9matique rigoureuse du concept de validit\u00e9 incr\u00e9mentielle, cher \u00e0 la psychom\u00e9trie<\/a> classique, en v\u00e9rifiant si l’ajout d’une information diagnostique suppl\u00e9mentaire augmente significativement la r\u00e9solution discriminante du profil clinique.<\/p>\n

7. Composantes cl\u00e9s, typologies et dimensions<\/h3>\n

Une mod\u00e9lisation par arbre de d\u00e9cision CART s’articule autour d’\u00e9l\u00e9ments architecturaux pr\u00e9cis et se d\u00e9cline en diff\u00e9rentes sous-cat\u00e9gories fondamentales :<\/p>\n