Lesmodèlesderéputationave dé isionpermettentnonseulementde al- uler automatiquement les réputations, mais aussi de prendre des dé isions en s'appuyant sur elles- i. Ces modèles sont plus indépendants de l'inter- vention humaine que eux de la atégorie pré édente, mais la révision n'est toujourspas entièrementautomatisée.
4.4.1 Modèle de Abdul-Rahman et Hailes
Abdul-Rahman propose un modèle de réputation appliqué au partage de temps-pro esseur entre utilisateurs dans un réseau de type pair-à-pair [Abd04℄.Lesréputationsdes personnesquiveulent exé uterdu ode sontes- timéesparlespersonnesquidisposentdetempspro esseura ndedéterminer si es dernières a eptent d'exé uter un ode venant d'une autre personne. Pour ela, plusieurs réputations sont utilisées : la réputation dans un agent donnépour une fa ette donnée (type réputationdire te), la réputationdans un agent en général(type réputation dire te, mais uni-fa ette), une réputa- tion olle tiveetuneréputationstéréotypée.Abdul-Rahman onsidèrelefait de fournir des re ommandations omme une fa ette d'un agent. Il distingue unedeuxièmeréputationdire te, elledansunagentpourfournirdes re om- mandationssur d'autres agents.L'utilisateur du logi ielpair-à-pairdonne le retoursur lebonou mauvais omportement de l'autre partie. Cette estima- tion est retournée àl'aide d'une valeur dans l'ensemble
{−2, −1, 0, +1, +2}
. Les réputations sont al ulées à partir des historiques omplets des intera - tions etsont elles aussi des valeursdans{−2, −1, 0, +1, +2}
.L'apport prin ipalde e modèle par rapport à eux de la atégorie pré- édente est un premier pas vers l'automatisation du pro essus de dé ision. L'utilisateurdé nitlapolitique àsuivre àl'aided'unlangagefourni.L'agent peutalors appliquerlepro essus dedé isionautomatiquement.Commel'en- semble des réputations est dis ret, les diérentes valeurs peuvent servir de seuil de dé ision dans es politiques. Abdul-Rahman propose aussi d'utili- ser la abilitédes valeurs de réputation durant lepro essus de dé ision.Ces abilités sont estimées à partir de la réputation des fournisseurs de re om- mandations.
Abdul-Rahmanpropose unmodèlemanipulantdenombreux typesde ré- putationliées aux diérentes lasses de on an e. Certaines des réputations
toutes subje tives etgraduéesdans des ensembles nis etdis rets. Ellessont non transitives. La notion de dimension n'est ni présente ni dédu tible du modèle. Les pro essus de punition et de dé ision sont en grande partie in- dépendants de l'humain. Le pro essus de propagation semble avoirtoujours lieu et lesre ommandations être toujours sin ères. L'initialisations'ee tue en utilisant les réputations olle tive et stéréotypée. Con ernant les autres pro essus, rien n'est pré isé.
4.4.2 Modèle de Marsh
Marshestlepremieràavoirproposéd'informatiserle on eptde on an e [Mar94℄. Il propose un modèlegénéralpourl'utilisationde la on an e dans le adre de la oopération.Il ne s'est pas intéresséau pro essusde propaga- tionniauxréputationsquiensontissues.Ildé nittroissortesderéputation: Basique qui est une réputation stéréotypée, Générale et Situationnelle qui sontdesréputationsdire tes,lapremièreuni-fa ette,lase ondemulti-fa ette. Les trois réputations sont représentées par des valeursdans
[−1, +1[
. Marsh estimequesila on an eaveugleexistait,alorslefaitmêmede her heràes- timerlaréputationd'unagentne seraitplusné essaire.Il onsidère don que la on an e aveugle n'existepasetretirelavaleur+1
du domainede valeurs possibles pour les réputations. [Mar94℄ ne pré ise pas d'où provient l'infor- mation qui permet de al uler les réputations, ni omment les réputations sont initialisées. Il s'est intéressé prin ipalement aux pro essus de punition et de dé ision. Les réputations sont al ulées par rapport à l'ensemble des intera tions.L'apport prin ipalde e modèleest un pro essus de dé isionentièrement automatisé.Chaquedé isionestpriseparseuillage:silavaleurderéputation Situationnelle est supérieure au seuil de oopération, alors l'agent oopère, sinon l'agentne oopère pas. Marsh propose plusieurs dé nitions de e seuil de oopération en fon tion : des risques perçus par le béné iaire, de la ompéten ede la ible telleque perçuepar lebéné iaireetde l'importan e de lasituationpour le béné iaire.
Marsh propose un modèle manipulant des réputations fondées sur des intera tions dire tes iblebéné iaire. Certaines sont uni-fa ettes d'autres sont multi-fa ettes. Ces réputationssont toutessubje tives, graduées etnon transitives.Lanotiondedimensionn'estniprésentenidédu tibledumodèle. Lespro essusdepunitionetde dé isionsontindépendantsdel'humain,pour
4.4.3 AFRAS
AFRASestunmodèlederéputationpourle ommer eéle troniqueoùles réputations sont générales pour un agent [CMD03 ℄. Elles sont représentées par des ensembles ous dé rits par les quatre tés d'un trapèze. L'évalua- tion issue du pro essus d'évaluation est fournie par un être humain. Elle prend la forme d'une valeur séle tionnée parmi un ensemble ni et dis ret et est traduite en un ensemble ou. La punition se déroule par renfor e- ment de l'an ienne valeur en omparaison ave une telle évaluation. Cette punition s'ee tue à l'aide de formules très similaires à elles utilisées dans Sporas [ZMM99℄, adaptées aux ensembles ous.
Le pro essus de dé ision s'appuie sur le modèle proposé par [CF98℄. Comme dans le modèle pré édent, la dé ision s'ee tue par seuillage, mais de manière adaptée aux ensembles ous. Si la réputation d'un agent est supérieure à un ertain seuil, alors l'a heteur a hète au vendeur. Sinon, le béné iaire hoisit les agents auxquels demander des re ommandations par seuillagesur laréputation.Lesagentsqui reçoiventdes demandes de re om- mandationsdé idents'ilsrépondentounondelamêmemanière.Lepro essus de propagation utilisedon le pro essus de dé ision.
AFRAS manipuledes réputations mélangeant le type réputation dire te et le type réputation observée. Elles sont subje tives, uni-fa ette, graduées et non transitives. La notion de dimension n'est ni présente ni dédu tible du modèle. L'évaluationdépend de l'intervention humaine.Lespro essus de punition, de dé ision et de propagation sont entièrement automatisés. Pour lesautres pro essus, rien n'est pré isé.