Cet article compare et analyse l'équité entre les modèles d'apprentissage automatique (ML) et les évaluateurs humains à partir des données de 870 candidats à l'admission à l'université. Les prédictions ont été réalisées à l'aide de trois modèles d'apprentissage automatique : XGB, Bi-LSTM et KNN, ainsi que d'intégrations BERT. Les évaluateurs humains étaient composés d'experts d'horizons divers. Pour évaluer l'équité individuelle, nous avons introduit une mesure de cohérence mesurant la concordance entre les modèles d'apprentissage automatique et les décisions des évaluateurs humains. Les résultats de l'analyse ont montré que les modèles d'apprentissage automatique ont surpassé les évaluateurs humains de 14,08 % à 18,79 % en termes de cohérence d'équité. Cela démontre le potentiel de l'apprentissage automatique pour améliorer l'équité du processus d'admission tout en maintenant une grande précision. Nous proposons une approche hybride combinant jugement humain et modèles d'apprentissage automatique.
