feat: Analyse baseline - 77.7% FP dus à NOM_EXTRACTED, 19.2% à propagation globale

tests/ground_truth/analysis/baseline_analysis.json

@@ -0,0 +1,158 @@
+{
+  "analysis_date": "2026-03-02",
+  "global_metrics": {
+    "precision": 0.1897,
+    "recall": 1.0,
+    "f1_score": 0.3189,
+    "true_positives": 1159,
+    "false_positives": 4951,
+    "false_negatives": 0
+  },
+  "problems": [
+    {
+      "priority": "HAUTE",
+      "category": "Propagation globale",
+      "description": "951 faux positifs dus aux détections *_GLOBAL",
+      "types": [
+        "NOM_GLOBAL",
+        "ETAB_GLOBAL",
+        "TEL_GLOBAL",
+        "ADRESSE_GLOBAL",
+        "CODE_POSTAL_GLOBAL",
+        "DATE_NAISSANCE_GLOBAL",
+        "EMAIL_GLOBAL",
+        "RPPS_GLOBAL",
+        "EPISODE_GLOBAL",
+        "VILLE_GLOBAL"
+      ],
+      "impact": "19.2% des FP totaux",
+      "solution": "Améliorer la logique de propagation globale ou désactiver pour certains types"
+    },
+    {
+      "priority": "HAUTE",
+      "category": "Extraction de noms",
+      "description": "3846 faux positifs de type NOM_EXTRACTED",
+      "types": [
+        "NOM_EXTRACTED"
+      ],
+      "impact": "77.7% des FP totaux",
+      "solution": "Améliorer les stopwords médicaux et la détection contextuelle"
+    },
+    {
+      "priority": "MOYENNE",
+      "category": "Précision faible",
+      "description": "10 types avec précision < 50%",
+      "types": [
+        "NOM_EXTRACTED",
+        "NOM_GLOBAL",
+        "ETAB_GLOBAL",
+        "TEL_GLOBAL",
+        "ADRESSE_GLOBAL",
+        "CODE_POSTAL_GLOBAL",
+        "DATE_NAISSANCE_GLOBAL",
+        "EMAIL_GLOBAL",
+        "EPISODE",
+        "VILLE"
+      ],
+      "impact": "Affecte 4897 FP",
+      "solution": "Améliorer les regex et la détection contextuelle pour ces types"
+    }
+  ],
+  "improvements": [
+    {
+      "priority": 2,
+      "title": "Enrichir les stopwords médicaux",
+      "impact": "Réduction de ~3846 FP NOM_EXTRACTED",
+      "effort": "Faible",
+      "gain_precision": "+62.9 points",
+      "tasks": [
+        "Extraire les termes médicaux des documents annotés",
+        "Identifier les faux positifs récurrents",
+        "Ajouter à _MEDICAL_STOP_WORDS_SET"
+      ]
+    },
+    {
+      "priority": 4,
+      "title": "Implémenter la détection contextuelle",
+      "impact": "Réduction de ~126 FP",
+      "effort": "Élevé",
+      "gain_precision": "+2.1 points",
+      "tasks": [
+        "Créer detectors/contextual.py",
+        "Implémenter la détection avec contexte fort/faible",
+        "Filtrer via stopwords médicaux",
+        "Intégrer dans le pipeline hybride"
+      ]
+    }
+  ],
+  "false_positives_by_type": {
+    "NOM_EXTRACTED": 3846,
+    "NOM_GLOBAL": 670,
+    "EPISODE": 106,
+    "TEL_GLOBAL": 77,
+    "ADRESSE_GLOBAL": 55,
+    "CODE_POSTAL_GLOBAL": 39,
+    "ETAB_GLOBAL": 36,
+    "EMAIL_GLOBAL": 28,
+    "DATE_NAISSANCE_GLOBAL": 20,
+    "VILLE": 20,
+    "ADRESSE": 10,
+    "CODE_POSTAL": 10,
+    "VILLE_GLOBAL": 10,
+    "EPISODE_GLOBAL": 9,
+    "TEL": 8,
+    "RPPS_GLOBAL": 7
+  },
+  "low_precision_types": [
+    {
+      "type": "NOM_EXTRACTED",
+      "precision": 0.0,
+      "fp": 3846
+    },
+    {
+      "type": "NOM_GLOBAL",
+      "precision": 0.0,
+      "fp": 670
+    },
+    {
+      "type": "ETAB_GLOBAL",
+      "precision": 0.0,
+      "fp": 36
+    },
+    {
+      "type": "TEL_GLOBAL",
+      "precision": 0.0,
+      "fp": 77
+    },
+    {
+      "type": "ADRESSE_GLOBAL",
+      "precision": 0.0,
+      "fp": 55
+    },
+    {
+      "type": "CODE_POSTAL_GLOBAL",
+      "precision": 0.0,
+      "fp": 39
+    },
+    {
+      "type": "DATE_NAISSANCE_GLOBAL",
+      "precision": 0.0,
+      "fp": 20
+    },
+    {
+      "type": "EMAIL_GLOBAL",
+      "precision": 0.0,
+      "fp": 28
+    },
+    {
+      "type": "EPISODE",
+      "precision": 0.1452,
+      "fp": 106
+    },
+    {
+      "type": "VILLE",
+      "precision": 0.2,
+      "fp": 20
+    }
+  ]
+}