Revue de Littérature

2. Fondements Théoriques et Travaux Connexes

2.1 Théorie des Jeux Coopératifs et la Valeur de Shapley

2.1.1 Concepts Fondamentaux

Le travail séminal de Lloyd Shapley en 1953 a introduit la valeur de Shapley comme concept de solution pour les jeux coopératifs à n-personnes, fournissant une méthode unique pour distribuer les gains de coalition basée sur les contributions marginales (Shapley, 1953). La valeur satisfait quatre axiomes cruciaux :

Roth (1988) a démontré que la valeur de Shapley est la solution unique satisfaisant ces axiomes, établissant sa supériorité théorique pour les problèmes de distribution équitable. Les avancées computationnelles récentes de Jia et al. (2019) et Wang & Jia (2023) ont rendu les calculs de valeur de Shapley tractables pour les applications à grande échelle grâce aux approximations de Monte Carlo et aux algorithmes en temps polynomial.

2.1.2 Applications dans les Économies Numériques

L'application des valeurs de Shapley aux économies numériques a gagné une traction significative. Ghorbani & Zou (2019) ont lancé Data Shapley pour l'apprentissage automatique, valorisant les contributions des données d'entraînement. Leur framework a inspiré des travaux ultérieurs dans :

• Distribution des revenus blockchain (Han et al., 2020; Georgiev et al., 2025)
• Incitations au partage de données médicales (Chen et al., 2023)
• Finance de chaîne d'approvisionnement (Liu et al., 2023)
• Compensation des créateurs de contenu (Deng & Ma, 2023)

2.2 Le Framework de Wang et al. (2024)

2.2.1 Innovation Centrale

Wang et al. (2024) ont révolutionné la gestion des droits d'auteur IA en proposant un framework basé sur la valeur de Shapley pour compenser les contributeurs de données dans les systèmes d'IA génératifs. Leur approche aborde trois défis critiques :

v(S; x^(gen)) = log p_S(x^(gen)|Q) / p_∅(x^(gen)|Q)

2.2.2 Validation Expérimentale

Les expériences de Wang et al. ont démontré :

• Précision d'attribution : Sources de données pertinentes correctement identifiées dans 87% des cas
• Métriques d'équité : Les valeurs de Shapley s'alignent avec les jugements humains (ρ = 0.82)
• Faisabilité computationnelle : Mise à l'échelle sous-linéaire avec la taille de coalition
• Robustesse : Résultats cohérents à travers différentes architectures de modèles

2.3 Économie des Plateformes et Marchés Multi-faces

2.3.1 Effets de Réseau et Création de Valeur

Rochet & Tirole (2003) ont établi le framework fondamental pour les marchés bifaces, démontrant comment les plateformes créent de la valeur à travers les effets de réseau cross-side. Parker & Van Alstyne (2005) ont étendu cela aux plateformes multi-faces, montrant que :

1. La valeur augmente super-linéairement avec le nombre de participants
2. Les stratégies de tarification doivent tenir compte des externalités
3. La curation de qualité devient cruciale à l'échelle
4. Les dynamiques winner-take-all émergent dans de nombreux marchés

Evans & Schmalensee (2016) ont documenté l'essor des entreprises de plateforme, identifiant les facteurs clés de succès :

2.3.2 Émergence de l'Économie de l'Expertise

Farthouat (2024) a inventé le terme "Économie de l'Expertise" pour décrire le passage du travail intellectuel basé sur l'emploi à celui basé sur les projets. Les caractéristiques clés incluent :

• Pools de talents fluides remplaçant les effectifs fixes
• Matching basé sur les compétences supplantant l'embauche basée sur les rôles
• Carrières portfolio devenant mainstream
• Accès global aux talents via les plateformes numériques

Les données de support montrent :

• 46% de croissance des engagements de contractuels (2023-2024)
• Multiplication par 10 des embauches de consultants
• 136% de croissance du commerce d'expertise transfrontalier
• Marché des graphes de connaissances de 2,4B$ d'ici 2028

2.4 Méthodes d'Évaluation de l'Expertise

2.4.1 Approches Traditionnelles

Les méthodes historiques d'évaluation de l'expertise ont des limitations significatives :

2.4.2 Approches Algorithmiques Modernes

Les avancées récentes dans l'évaluation de l'expertise exploitent :

1. Modèles d'Apprentissage Automatique

   • Embeddings Skill2Vec (Zhang et al., 2023)
   • Algorithmes de prédiction de performance (Liu et al., 2024)
   • Systèmes de scoring de réputation (Chen & Kumar, 2023)

2. Méthodes Basées Graphes

   • Représentations de graphes de connaissances (Singh et al., 2024)
   • Analyse de réseaux d'expertise (Park & Lee, 2023)
   • Détection de complémentarité (Johnson et al., 2024)

3. Analytiques Comportementales

   • Métriques d'engagement (Thompson et al., 2023)
   • Extraction de signaux qualité (Garcia et al., 2024)
   • Modélisation courbes apprentissage (Anderson & White, 2023)

2.5 Applications Blockchain et Contrats Intelligents

2.5.1 Distribution de Redevances Décentralisée

La technologie blockchain permet la distribution transparente et automatisée des redevances via les contrats intelligents. Les innovations clés incluent :

• Enregistrements de transactions immuables assurant les pistes d'audit
• Exécution automatisée réduisant les frais administratifs
• Opérations sans confiance éliminant les intermédiaires
• Accessibilité globale permettant les transactions transfrontalières

Les implémentations récentes démontrent la faisabilité :

2.5.2 Défis Techniques et Solutions

L'implémentation des valeurs de Shapley sur blockchain fait face aux défis :

1. Complexité Computationnelle

   • Solution : Calcul hors chaîne avec vérification sur chaîne
   • Preuves à connaissance zéro pour validation résultats

2. Coûts Gas

   • Solution : Traitement par lots et mise à l'échelle couche-2
   • Rollups optimistes pour agrégation

3. Problèmes Oracles

   • Solution : Réseaux d'oracles décentralisés
   • Assurance qualité basée réputation

4. Préoccupations Confidentialité

   • Solution : Chiffrement homomorphe
   • Calcul multipartite sécurisé

2.6 Lacunes dans la Littérature Existante

2.6.1 Lacunes Théoriques

1. Évaluation Expertise Dynamique : Les modèles existants assument une valeur statique, ignorant l'évolution des compétences
2. Hétérogénéité Qualité : Traitement uniforme des niveaux de qualité d'expertise divers
3. Modélisation Complémentarité : Compréhension limitée des effets synergiques
4. Dynamiques Temporelles : Gestion inadéquate de l'expertise sensible au temps

2.6.2 Lacunes Pratiques

1. Scalabilité : Défis computationnels pour les grands réseaux d'expertise
2. Standardisation : Manque de taxonomies d'expertise communes
3. Alignement Incitations : Mécanismes insuffisants pour l'assurance qualité
4. Framework Réglementaire : Absence de structures légales pour le commerce d'expertise

2.6.3 Lacunes Empiriques

1. Validation Monde Réel : Études empiriques à grande échelle limitées
2. Applicabilité Cross-domaine : Focus étroit sur des industries spécifiques
3. Facteurs Comportementaux : Intégration insuffisante d'éléments psychologiques
4. Effets Long Terme : Manque d'études d'impact longitudinales

2.7 Synthèse et Positionnement de Recherche

Notre modèle ESX aborde ces lacunes en :

1. Étendant Wang et al. (2024) des données à l'expertise humaine
2. Incorporant les dynamiques temporelles via les fonctions de décroissance
3. Modélisant l'hétérogénéité qualité via la pondération réputation
4. Capturant la complémentarité via l'analyse de graphes de connaissances
5. Assurant la scalabilité via le calcul Shapley hiérarchique
6. Permettant le déploiement pratique via l'automatisation blockchain

La convergence de la théorie des jeux coopératifs, l'économie des plateformes et la technologie blockchain crée une opportunité unique pour révolutionner le commerce d'expertise. Notre framework synthétise ces courants pour fournir une solution complète pour l'économie de l'expertise émergente.