élements complémentaires et traces de raisonnement

ChallengeEvalLLM/dataset/DatasetFormat2.md

+# Main V1 
+
+Dataset issu des données du Challenge RAG de EvalLLM2026. 
+
+## Construction
+- Extraction du texte des pdf à l'aide de `pymupdf4llm`
+- Découpe avec `MarkdownTextSplitter` de `langchain_text_splitter` (chunk_size=500, chunk_overlap=150)
+- Documents extraits automatiquement à l'aide E5 et ChromaDB
+- Selection des questions et documents à la main à partir des extraction automatiques
+
+## Format
+3 fichiers:
+    - paires_mainV1.csv 
+    - docs_mainV1.csv
+    - queries_mainV1.csv
+
+### paires_mainV1.csv
+- q_id (int) : identifiant de question
+- question (str) : texte de la question
+- doc_id (int) : identifiant de ducument
+- doc_name (str) : nom du fichier pdf d'origine
+- page_number (int) : numéro (absolu) de la page d'origine
+- chunk_id (int) : identifiant de l'extrait
+- text (str) : texte de l'extrait
+- pertinent (bool) : pertinent du document pour la question
+
+Infos:
+- 52 entrées
+- Autant de documents pertinents que non pertinents
+- 1 document pertinent/ non-pertinent par question
+- 52 extraits
+- 26 questions
+
+### docs_mainV1.csv
+- doc_id (int) : identifiant de ducument
+- doc_name (str) : nom du fichier pdf d'origine
+- page_number (int) : numéro (absolu) de la page d'origine
+- chunk_id (int) : identifiant de l'extrait
+- text (str) : texte de l'extrait
+
+### queries_mainV1.csv
+- q_id (int) : identifiant de question
+- question (str) : texte de la question

ChallengeEvalLLM/dataset/DatasetFormat3_1.md

+# Main V2 
+
+Dataset issu des données du Challenge RAG de EvalLLM2026. 
+
+## Construction
+- Extraction du texte des pdf à l'aide de `pymupdf4llm`
+- Découpe avec `MarkdownTextSplitter` de `langchain_text_splitter` (chunk_size=500, chunk_overlap=150)
+- Documents extraits automatiquement à l'aide E5 et ChromaDB
+- Selection des questions et documents à la main à partir des extraction automatiques
+
+## Format
+3 fichiers:
+    - paires_mainV2.csv 
+    - docs_mainV2.csv
+    - queries_mainV2.csv
+
+### paires_mainV2.csv
+- q_id (int) : identifiant de question
+- question (str) : texte de la question
+- doc_id (int) : identifiant de document
+- doc_name (str) : nom du fichier pdf d'origine
+- page_number (int) : numéro (absolu) de la page d'origine
+- chunk_id (int) : identifiant de l'extrait
+- text (str) : texte de l'extrait
+- pertinent (bool) : pertinent du document pour la question
+
+Infos:
+- 27 entrées
+- Autant de documents pertinents que non pertinents
+- Textes issus de 3 pdfs
+- 28 extraits
+- 1 question
+
+### docs_mainV2.csv
+- doc_id (int) : identifiant de ducument
+- doc_name (str) : nom du fichier pdf d'origine
+- page_number (int) : numéro (absolu) de la page d'origine
+- chunk_id (int) : identifiant de l'extrait
+- text (str) : texte de l'extrait
+
+### queries_mainV2.csv
+- q_id (int) : identifiant de question
+- question (str) : texte de la question
+
+## Contenu/ Stats
+Construction des données:
+- 1 question, 3 pdf (limitations matérielles du drone, code de la défense - matériel de guerre, fausses infos pdt les JO/JP)
+- 50% de textes pertinents
+- 28 paires
+
+Question : 
+> Quelles sont les trois principales catégories de limitations techniques affectant les systèmes de drones, et comment chacune influence-t-elle l'efficacité opérationnelle de ces vecteurs ?
+
+
+
+|word      | freq | TF-IDF |
+|----------|---|------------------|
+|**matériel**  |16 |0.0627430130086598|
+|**système**   |11 |0.0542242908052481|
+|**limitation**|6  |0.0495565089630139|
+|**drone**     |10 |0.0441649020535004|
+|défense   |10 |0.0440955901918619|
+|prendre   |6  |0.0425658179515979|
+|compte    |5  |0.0404563824330286|
+|action    |8  |0.0401684995180441|
+|article   |9  |0.0400092952253956|
+|ministre  |8  |0.03913497111578  |
+|aérien    |7  |0.0366033210120314|
+|acteur    |6  |0.0337084867312698|
+|guerre    |8  |0.0336043799517422|
+
+

ChallengeEvalLLM/dataset/DatasetFormat3_2.md

+# Main V3 
+
+Dataset issu des données du Challenge RAG de EvalLLM2026. 
+
+## Construction
+- Extraction du texte des pdf à l'aide de `pymupdf4llm`
+- Découpe avec `MarkdownTextSplitter` de `langchain_text_splitter` (chunk_size=500, chunk_overlap=150)
+- Documents extraits automatiquement à l'aide E5 et ChromaDB
+- Selection des questions et documents à la main à partir des extraction automatiques
+
+## Format
+3 fichiers:
+    - paires_mainV3.csv 
+    - docs_mainV3.csv
+    - queries_mainV3.csv
+
+### paires_mainV3.csv
+- q_id (int) : identifiant de question
+- question (str) : texte de la question
+- doc_id (int) : identifiant de ducument
+- doc_name (str) : nom du fichier pdf d'origine
+- page_number (int) : numéro (absolu) de la page d'origine
+- chunk_id (int) : identifiant de l'extrait
+- text (str) : texte de l'extrait
+- pertinent (bool) : pertinent du document pour la question
+
+Infos:
+- 20 entrées
+- Autant de documents pertinents que non pertinents
+- Textes issus de 3 pdfs
+- 20 extraits
+- 1 question
+
+### docs_mainV3.csv
+- doc_id (int) : identifiant de ducument
+- doc_name (str) : nom du fichier pdf d'origine
+- page_number (int) : numéro (absolu) de la page d'origine
+- chunk_id (int) : identifiant de l'extrait
+- text (str) : texte de l'extrait
+
+### queries_mainV3.csv
+- q_id (int) : identifiant de question
+- question (str) : texte de la question
+
+## Analyse 
+### Question
+1 question : 
+> Quels sont les défis majeurs liés à l’utilisation d’une intelligence artificielle auto-apprenante dans les systèmes d’armes, et en quoi ces défis remettent-ils en cause les méthodes traditionnelles de développement et de validation des technologies militaires ?
+
+### Thématique
+Sujet pas spécifique à la défense mais appliqué à la défense : Intelligence Artificielle appliquée aux outils et pratiques de la défense et notamment à la guerre.
+
+Thèmatique des 3 pdf:
+- IA pour la défense : enjeux
+- Aviation civile
+- usage des ballons (aérostats et dirigeables) dans l'histoire et rebond de l'usage
+
+### Statistique
+| Mot     | Fréquence| TF-IDF         |
+|------------|---|--------------------|
+|système     |13 |0.06480086088326986 |
+|transport   |9  |0.05957370634266266 |
+|militaire   |9  |0.0488148141908528  |
+|force       |8  |0.048789708865220195|
+|aérien      |8  |0.05223144426877953 |
+|automatiser |7  |0.04028923862758367 |
+|artificiel  |6  |0.04046189336007796 |
+|intelligence|6  |0.04046189336007796 |
+|emploi      |6  |0.03775763430881781 |
+|domaine     |6  |0.03862181838643274 |
+
+_Système_ est essentielement issu de l'expression _système autonome_ dans les documents positofs (issus du numéro sur l'emploi des Ia et systèmes automatisés du Centre interarmées de concepts, de doctrines et d’expérimentations). La seule exception est pour _système High Altitude pseudo-satellite (HAPS)_ issu du document sur les ballons.
+
+L'entièreté des occurences de _transport_ sont issues du document sur l'aviation civile.
+
+Les occurences de _militaire_ sont issues des documents sur les sytèmes autonomes et les ballons.
\ No newline at end of file

ChallengeEvalLLM/dataset/creationDatasetFormat3_1.py

+#!/usr/bin/env python
+# coding: utf-8
+
+# # Construction à la min d'un petit dataset maitrisé issu de challenge
+
+# In[48]:
+
+
+import pandas as pd
+
+
+# In[49]:
+
+
+docsV2 = pd.read_csv("../docsV2.csv")
+
+
+# In[30]:
+
+
+tmp = docsV2[ docsV2.doc_name.str.contains("Guide_sensi")]
+tmp #[tmp.page_number==3]
+#docsV2.iloc[9200].text
+
+
+# ## Creation DB
+
+# In[64]:
+
+
+db = pd.DataFrame(columns=["q_id", "question", "doc_id", "doc_name", "page_number", "chunk_id", "text", "pertinent"])
+
+
+# In[65]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [100]*(27679 - 27665),
+               "question" : ["Quelles sont les trois principales catégories de limitations techniques affectant les systèmes de drones, et comment chacune influence-t-elle l'efficacité opérationnelle de ces vecteurs ?"]*(27679 - 27665),
+               "doc_id" : list(docsV2.iloc[27665:27679].doc_id),
+               "doc_name" : list(docsV2.iloc[27665:27679].doc_name),
+               "page_number" :list(docsV2.iloc[27665:27679].page_number),
+               "chunk_id" :list(docsV2.iloc[27665:27679].chunk_number),
+               "text" : list(docsV2.iloc[27665:27679].text),
+               "pertinent" : [True]*(27679 - 27665)
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[66]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [100]*(37065 - 37059),
+               "question" : ["Quelles sont les trois principales catégories de limitations techniques affectant les systèmes de drones, et comment chacune influence-t-elle l'efficacité opérationnelle de ces vecteurs ?"]*(37065 - 37059),
+               "doc_id" : list(docsV2.iloc[37059:37065].doc_id),
+               "doc_name" : list(docsV2.iloc[37059:37065].doc_name),
+               "page_number" :list(docsV2.iloc[37059:37065].page_number),
+               "chunk_id" :list(docsV2.iloc[37059:37065].chunk_number),
+               "text" : list(docsV2.iloc[37059:37065].text),
+               "pertinent" : [False]*(37065 - 37059)
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[67]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [100]*(3606 - 3598),
+               "question" : ["Quelles sont les trois principales catégories de limitations techniques affectant les systèmes de drones, et comment chacune influence-t-elle l'efficacité opérationnelle de ces vecteurs ?"]*(3606 - 3598),
+               "doc_id" : list(docsV2.iloc[3598:3606].doc_id),
+               "doc_name" : list(docsV2.iloc[3598:3606].doc_name),
+               "page_number" :list(docsV2.iloc[3598:3606].page_number),
+               "chunk_id" :list(docsV2.iloc[3598:3606].chunk_number),
+               "text" : list(docsV2.iloc[3598:3606].text),
+               "pertinent" : [False]*(3606 - 3598)
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[70]:
+
+
+db.reset_index(drop=True, inplace=True)
+
+
+# In[71]:
+
+
+db.to_csv("paires_mainV2.csv", index=True)
+
+
+# ## Generation docs et queries
+
+# In[73]:
+
+
+new_paires = pd.read_csv("paires_mainV2.csv", index_col=0)
+new_paires
+
+
+# In[74]:
+
+
+docs = new_paires[["doc_id", "doc_name", "page_number", "chunk_id", "text"]]
+docs.head()
+
+
+# In[75]:
+
+
+queries = new_paires[["q_id", "question"]]
+queries.drop_duplicates(inplace=True, ignore_index=True)
+queries.head()
+
+
+# In[76]:
+
+
+docs.to_csv("docs_mainV2.csv", index=True)
+queries.to_csv("queries_mainV2.csv", index=True)
+

ChallengeEvalLLM/dataset/creationDatasetFormat3_2.py

+#!/usr/bin/env python
+# coding: utf-8
+
+# # Construction à la min d'un petit dataset maitrisé issu de challenge
+
+# In[1]:
+
+
+import pandas as pd
+
+
+# In[2]:
+
+
+docsV2 = pd.read_csv("../docsV2.csv")
+
+
+# In[18]:
+
+
+tmp = docsV2[ docsV2.doc_name.str.contains("20180719")]
+tmp[tmp.page_number==19] 
+docsV2.iloc[13620].text
+
+
+# ## Creation DB
+
+# In[8]:
+
+
+db = pd.DataFrame(columns=["q_id", "question", "doc_id", "doc_name", "page_number", "chunk_id", "text", "pertinent"])
+
+
+# In[ ]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [200]*(2),
+               "question" : ["Quels sont les défis majeurs liés à l’utilisation d’une intelligence artificielle auto-apprenante dans les systèmes d’armes, et en quoi ces défis remettent-ils en cause les méthodes traditionnelles de développement et de validation des technologies militaires ?"]*2,
+               "doc_id" : list(docsV2.iloc[13591:13593].doc_id),
+               "doc_name" : list(docsV2.iloc[13591:13593].doc_name),
+               "page_number" :list(docsV2.iloc[13591:13593].page_number),
+               "chunk_id" :list(docsV2.iloc[13591:13593].chunk_number),
+               "text" : list(docsV2.iloc[13591:13593].text),
+               "pertinent" : [True]*(2)
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[12]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [200]*(2),
+               "question" : ["Quels sont les défis majeurs liés à l’utilisation d’une intelligence artificielle auto-apprenante dans les systèmes d’armes, et en quoi ces défis remettent-ils en cause les méthodes traditionnelles de développement et de validation des technologies militaires ?"]*2,
+               "doc_id" : list(docsV2.iloc[13593:13595].doc_id),
+               "doc_name" : list(docsV2.iloc[13593:13595].doc_name),
+               "page_number" :list(docsV2.iloc[13593:13595].page_number),
+               "chunk_id" :list(docsV2.iloc[13593:13595].chunk_number),
+               "text" : list(docsV2.iloc[13593:13595].text),
+               "pertinent" : [True]*(2)
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[14]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [200]*4,
+               "question" : ["Quels sont les défis majeurs liés à l’utilisation d’une intelligence artificielle auto-apprenante dans les systèmes d’armes, et en quoi ces défis remettent-ils en cause les méthodes traditionnelles de développement et de validation des technologies militaires ?"]*4,
+               "doc_id" : list(docsV2.iloc[13609:13613].doc_id),
+               "doc_name" : list(docsV2.iloc[13609:13613].doc_name),
+               "page_number" :list(docsV2.iloc[13609:13613].page_number),
+               "chunk_id" :list(docsV2.iloc[13609:13613].chunk_number),
+               "text" : list(docsV2.iloc[13609:13613].text),
+               "pertinent" : [True]*4
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[16]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [200],
+               "question" : ["Quels sont les défis majeurs liés à l’utilisation d’une intelligence artificielle auto-apprenante dans les systèmes d’armes, et en quoi ces défis remettent-ils en cause les méthodes traditionnelles de développement et de validation des technologies militaires ?"],
+               "doc_id" : [docsV2.iloc[13616].doc_id],
+               "doc_name" : [docsV2.iloc[13616].doc_name],
+               "page_number" :[docsV2.iloc[13616].page_number],
+               "chunk_id" :[docsV2.iloc[13616].chunk_number],
+               "text" : [docsV2.iloc[13616].text],
+               "pertinent" : [True]
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[19]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [200],
+               "question" : ["Quels sont les défis majeurs liés à l’utilisation d’une intelligence artificielle auto-apprenante dans les systèmes d’armes, et en quoi ces défis remettent-ils en cause les méthodes traditionnelles de développement et de validation des technologies militaires ?"],
+               "doc_id" : [docsV2.iloc[13620].doc_id],
+               "doc_name" : [docsV2.iloc[13620].doc_name],
+               "page_number" :[docsV2.iloc[13620].page_number],
+               "chunk_id" :[docsV2.iloc[13620].chunk_number],
+               "text" : [docsV2.iloc[13620].text],
+               "pertinent" : [True]
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[ ]:
+
+
+tmp = pd.DataFrame({
+               "q_id" : [200]*(2),
+               "question" : ["Quels sont les défis majeurs liés à l’utilisation d’une intelligence artificielle auto-apprenante dans les systèmes d’armes, et en quoi ces défis remettent-ils en cause les méthodes traditionnelles de développement et de validation des technologies militaires ?"]*2,
+               "doc_id" : list(docsV2.iloc[13591:13593].doc_id),
+               "doc_name" : list(docsV2.iloc[13591:13593].doc_name),
+               "page_number" :list(docsV2.iloc[13591:13593].page_number),
+               "chunk_id" :list(docsV2.iloc[13591:13593].chunk_number),
+               "text" : list(docsV2.iloc[13591:13593].text),
+               "pertinent" : [False]*(2)
+           })
+db = pd.concat([db,tmp], axis=0)
+db
+
+
+# In[70]:
+
+
+db.reset_index(drop=True, inplace=True)
+
+
+# In[71]:
+
+
+db.to_csv("paires_mainV2.csv", index=True)
+
+
+# ## Generation docs et queries
+
+# In[73]:
+
+
+new_paires = pd.read_csv("paires_mainV2.csv", index_col=0)
+new_paires
+
+
+# In[74]:
+
+
+docs = new_paires[["doc_id", "doc_name", "page_number", "chunk_id", "text"]]
+docs.head()
+
+
+# In[75]:
+
+
+queries = new_paires[["q_id", "question"]]
+queries.drop_duplicates(inplace=True, ignore_index=True)
+queries.head()
+
+
+# In[76]:
+
+
+docs.to_csv("docs_mainV2.csv", index=True)
+queries.to_csv("queries_mainV2.csv", index=True)
+

ChallengeEvalLLM/dataset/recup_donnees_challengeV2.py

+# Récupération et mise en forme des données pour le challenge RAG @ evalLLM¶
+
+import pymupdf4llm
+import pandas as pd
+from langchain_text_splitters import MarkdownTextSplitter
+from os import listdir
+from os.path import isfile, join
+from tqdm import tqdm
+
+md_splitter = MarkdownTextSplitter(chunk_size=500, chunk_overlap=150) # le choix de la taille et de l'overlap est justifié par les contraintes de E5 (entrée de 512 token) affiner ces hyperparamètres pourrait parfaire le modèle
+doc_df = pd.DataFrame( columns=["doc_id","doc_name", "page_number", "chunk_number", "text"])
+
+
+mypath = "./data_challenge/Corpus_raw"
+onlyfiles = [f for f in listdir(mypath) if (isfile(join(mypath, f)) and ".pdf" in f)]
+
+
+doc_id = 0
+for file in tqdm(onlyfiles):
+    chunk_number = 0
+    doc = pymupdf4llm.to_markdown(
+        join(mypath,file),
+        page_chunks = True, # "output will be a list of Document.page_count dictionaries (one per page)"
+        # header = False, # ne traite pas le header
+        # footer = False, # ne traite pas le footer
+        #pages = range(1)
+        )
+    for page in doc:
+        textes = md_splitter.split_text(text=page["text"])
+        n = len(textes)
+        doc_df = pd.concat([doc_df,
+                        pd.DataFrame({
+                            "doc_id" : [int(doc_id)]*n,
+                            "doc_name" : [page["metadata"]["file_path"]]*n,
+                            "page_number" : [int(page["metadata"]["page"])]*n,
+                            "chunk_number" : [int(i+chunk_number) for i in range(n)],
+                            "text" : textes
+                        })], ignore_index=True)
+        chunk_number += len(textes)
+    doc_id+=1
+
+doc_id_str = [str(doc_id) for doc_id in doc_df["doc_id"]]
+page_nb_str = [str(page_nb) for page_nb in doc_df["page_number"]]
+chunk_nb_str = [str(chunk_nb) for chunk_nb in doc_df["chunk_number"]]
+
+ids = ["#".join([doc_id_str[i], page_nb_str[i], chunk_nb_str[i]]) for i in range(len(doc_id_str))]
+
+doc_id_str = [str(doc_id) for doc_id in doc_df["doc_id"]]
+page_nb_str = [str(page_nb) for page_nb in doc_df["page_number"]]
+chunk_nb_str = [str(chunk_nb) for chunk_nb in doc_df["chunk_number"]]
+
+ids = ["#".join([doc_id_str[i], page_nb_str[i], chunk_nb_str[i]]) for i in range(len(doc_id_str))]
+
+doc_df.insert(0,"id",pd.Series(ids))
+
+doc_df.to_csv("data_challenge/docs.csv")
\ No newline at end of file

mechir/doc/specs_CLIGenericAutomatedPerturbation.md

+# Spécification du CLI associé à GenericAutomatedPerturbation.py
+
+## Action 1 : Calcul des valeurs (`values`)
+
+Arguments obligatoires :
+
+- modele (str) : nom du modèle (chemin ou adresse HuggingFace)
+- dataset (str) : nom du dataset dans irdataset ou chemin dans l'arborescence
+- dataset_origin (choices = ["irdatasets", "file"]) : Origine du dataset. indique comment obtenir le dataset
+- perturbation (str) : chemin vers le fichier descriptif des perturbations
+
+
+Arguments optionnels :
+
+- query_field (str, default="question") : champ du fichier des paires correspondant aux questions
+- docs_field (str, default="text") : champ du fichier des paires correspondant aux documents
+- subdataset_condition (str, default=None) : critère de sélection d'une sous-partie du dataset
+- gen_mean (bool, action = "store_true") : déclenche le calcul des matrices de moyennes de sensibilité
+- gen_std (bool, action = "store_true") : déclenche le calcul des matrices d'écarts-types de sensibilité
+- output (str, default=None) : spécifie le nom du fichier de sauvegarde des valeurs (Par défaut, le dossier des perturbations est utilisé et le fichier est nommé perts_values.json)
+
+
+## Action 2 : Génération des graphiques (`graphs`)
+
+Arguments obligatoires :
+
+- input (str) : Fichier contenant les données à mettre sous graphe
+
+Arguments optionnels:
+
+- output (str, default=None) : spécifie le nom du dossier de sauvegarde des graphiques (Par défaut, le dossier de l'input)
\ No newline at end of file

mechir/tools/compte_noeuds_sensible.py

@@ -2,12 +2,10 @@
 
 import json
 import numpy as np
-import sys
 import seaborn as sns
 import matplotlib.pyplot as plt
 import argparse
 from pathlib import Path
-from itertools import combinations
 
 
 def compter_noeuds_sensibles(json_path, pert_type):
@@ -32,33 +30,33 @@ def compter_noeuds_sensibles(json_path, pert_type):
     with open(json_path, "r", encoding="utf-8") as f:
         data = json.load(f)
 
-    premiere_perturbation = next(iter(data.values()))
-    shape = np.array(premiere_perturbation["patching_mean"]).shape
+    premiere_perturbation = data[0]
+    shape = np.array(premiere_perturbation["results"]["patching_mean"]).shape
 
     compteurs = np.zeros(shape, dtype=int)
     compteur_pert =  {}
 
-    for perturbation, valeurs in data.items():
+    for perturbation in data:
 
-        if pert_type == "all" or pert_type == perturbation_type(perturbation):
-            mean = np.array(valeurs["patching_mean"])
-            std = np.array(valeurs["patching_std"])
+        if pert_type == "all" or pert_type == perturbation["type"]:
+            mean = np.array(perturbation["results"]["patching_mean"])
+            std = np.array(perturbation["results"]["patching_std"])
             resc_mean = (np.sign(mean) / np.absolute(mean).max()) * np.absolute(mean)
             resc_std = (np.sign(std) / np.absolute(std).max()) * np.absolute(std)
 
-            compteur_pert[perturbation] ={}
-            compteur_pert[perturbation]["carte"] = ((np.abs(mean) > 0.1) & (np.abs(resc_mean) > 0.5)) | ((np.abs(std) > 0.1) & (np.abs(resc_std) > 0.5))
+            compteur_pert[perturbation["pert"]["name"]] ={}
+            compteur_pert[perturbation["pert"]["name"]]["carte"] = ((np.abs(mean) > 0.1) & (np.abs(resc_mean) > 0.5)) | ((np.abs(std) > 0.1) & (np.abs(resc_std) > 0.5))
 
-            compteur_pert[perturbation]["noeuds_sensibles"] = []
+            compteur_pert[perturbation["pert"]["name"]]["noeuds_sensibles"] = []
             for i in range(mean.shape[0]):
                 for j in range(mean.shape[1]):
-                    if compteur_pert[perturbation]["carte"][i,j]:
-                        compteur_pert[perturbation]["noeuds_sensibles"].append((i,j,mean[i,j], std[i,j], resc_mean[i,j], resc_std[i,j]))
+                    if compteur_pert[perturbation["pert"]["name"]]["carte"][i,j]:
+                        compteur_pert[perturbation["pert"]["name"]]["noeuds_sensibles"].append((i,j,mean[i,j], std[i,j], resc_mean[i,j], resc_std[i,j]))
 
 
-            compteur_pert[perturbation]["total"] = np.sum(compteur_pert[perturbation]["carte"])
+            compteur_pert[perturbation["pert"]["name"]]["total"] = np.sum(compteur_pert[perturbation["pert"]["name"]]["carte"])
 
-            compteurs += compteur_pert[perturbation]["carte"]
+            compteurs += compteur_pert[perturbation["pert"]["name"]]["carte"]
 
     return compteurs, compteur_pert