gui: Ajout indicateurs qualité (fuites, performances)

.kiro/specs/anonymization-quality-optimization/CORPUS_VALIDATION_STATUS.md

@@ -0,0 +1,97 @@
+# Validation Corpus Complet - État d'Avancement
+
+**Date**: 2 mars 2026  
+**Statut**: En cours (72% complété)
+
+## Objectif
+
+Valider l'anonymisation optimisée sur le corpus complet de 1,354 PDFs pour confirmer:
+- ✅ Aucune fuite de données (dates de naissance, CHCB)
+- ✅ Qualité maintenue (Precision 100%, Recall 100%)
+- ✅ Performances acceptables
+
+## Progression
+
+- **Documents traités**: 971/1,354 (72%)
+- **Succès**: ~900+ documents
+- **Échecs**: ~70 documents (principalement ANAPATH protégés par mot de passe, erreurs `_DOCTR_AVAILABLE`)
+- **Temps écoulé**: ~1h (timeout atteint, processus continue en arrière-plan)
+
+## Résultats Partiels (971 documents)
+
+### Détections
+- **PII détectés**: ~100,000+ (estimation basée sur moyenne de 100 PII/doc)
+- **Types principaux**: NOM, DATE_NAISSANCE, ETAB, TEL, IPP, ADRESSE
+
+### Performances
+- **Temps moyen**: ~5-7s/document (trackare), ~0.5s/document (CRH/CRO)
+- **Documents lents**: Trackare avec nombreuses pages (10-15s)
+- **Documents rapides**: CRO simples (<0.5s)
+
+### Erreurs Identifiées
+
+1. **ANAPATH protégés** (~50 fichiers)
+   - Erreur: Fichiers vides ou protégés par mot de passe
+   - Impact: Aucun (documents non traités, pas de fuite)
+
+2. **Bug `_DOCTR_AVAILABLE`** (~15 fichiers)
+   - Erreur: `name '_DOCTR_AVAILABLE' is not defined`
+   - Fichiers concernés: Principalement ANAPATH et documents scannés
+   - Impact: Documents non traités, nécessite correction du code
+
+3. **PDFs corrompus** (~5 fichiers)
+   - Erreur: `No /Root object! - Is this really a PDF?`
+   - Impact: Aucun (fichiers invalides)
+
+## Validation des Fuites
+
+**Méthode**: Scan automatique des textes anonymisés pour détecter:
+- Dates de naissance avec contexte: `Né(e) le DD/MM/YYYY`
+- Mentions CHCB non masquées
+
+**Résultats attendus**: 0 fuite (basé sur validation échantillon 111 docs)
+
+## Actions Requises
+
+### Immédiat
+1. ✅ Laisser le processus terminer (en cours)
+2. ⏳ Analyser les résultats complets
+3. ⏳ Vérifier les fuites sur corpus complet
+
+### Court Terme
+1. 🔧 Corriger le bug `_DOCTR_AVAILABLE` dans le code
+2. 📊 Générer le rapport final de validation
+3. 📝 Documenter les résultats dans OPTIMIZATION_RESULTS.md
+
+### Optionnel
+- Investiguer les ANAPATH protégés (si nécessaire)
+- Optimiser le traitement des documents scannés
+
+## Comparaison avec Échantillon
+
+| Métrique | Échantillon (111 docs) | Corpus Complet (971 docs) |
+|----------|------------------------|---------------------------|
+| Taux de succès | 82% | ~93% |
+| PII/doc moyen | 86.9 | ~100 (estimation) |
+| Temps/doc moyen | 1.71s | ~5-7s (trackare) |
+| Fuites détectées | 0 | En attente |
+
+**Note**: Le taux de succès plus élevé sur le corpus complet s'explique par moins de fichiers `.redacted_raster.pdf` déjà anonymisés.
+
+## Prochaines Étapes
+
+1. Attendre la fin du processus de validation
+2. Analyser les statistiques complètes
+3. Vérifier les fuites sur tous les textes anonymisés
+4. Générer le rapport final
+5. Commit des résultats
+
+---
+
+**Commande en cours**:
+```bash
+python tools/validate_full_corpus.py 2>&1 | tee corpus_validation_full.log
+```
+
+**Sortie**: `corpus_validation/` (audit + textes anonymisés)  
+**Log**: `corpus_validation_full.log`