Dans le cadre de la classification non supervisée, ou clustering, le fait de ne pas disposer d’une classification de référence représente un lourd handicap pour évaluer la performance des algorithmes. De leur coté, les critères traditionnels de qualité (inertie, DB...) ne permettent pas d’estimer correctement la qualité du clustering dans de nombreux cas, comme dans celui des données textuelles. Nous présentons ainsi une approche alternative pour l'évaluation de la qualité du clustering basée sur des critères de rappel, de précision et de F-mesure non supervisés, exploitant les descripteurs des données associées aux clusters. Le rappel permet de mesurer l'exhaustivité du contenu des clusters en termes de descripteurs propres, spécifiques à chaque cluster. La précision mesure l’homogénéité des clusters en termes de proportion des données contenant leurs descripteurs propres associés. Ce papier se concentre particulièrement sur la construction d'un nouvel index de micro-précision cumulée qui permet d’évaluer la qualité globale d'un résultat de clustering tout en donnant la possibilité complémentaire de distinguer clairement entre des résultats homogènes et des résultats hétérogènes. La comparaison expérimentale du comportement des critères classiques avec notre nouvelle approche est effectuée sur un ensemble de références bibliographiques issues de la base de données de PASCAL.