L’enquête « La vie en confinement » (VICO) : présentation et premiers résultats (Vendredis Quanti, 19 juin 2020)

Le « Vendredi Quanti » du 19 juin 2020 s’est déroulé à distance, comme les trois séances précédentes depuis la fin du mois de mai. Cette séance-ci a permis à Pierre Mercklé, Olivier Lê Van Truoc, Michel Grossetti et Julien Figeac de présenter l’enquête « La vie en confinement » (VICO), réalisée en avril et mai derniers auprès d’un échantillon de plus de 15 000 personnes de 18 ans et plus résidant en France au moment du confinement.

Les enquêtés ont été interrogés par questionnaire en ligne sur leurs conditions de logement et de travail avant et pendant le confinement, sur leurs pratiques pendant le confinement et leurs attitudes par rapport aux obligations et interdiction sanitaires qu’il a imposées, et sur les évolutions de leur relations sociales. Vous pouvez trouver une première présentation de l’enquête et de ses données dans le billet suivant, mis en ligne le 12 mai dernier sur le site de l’enquête :

La séance ayant été enregistrée, vous pouvez la suivre en vidéo ou en audio :

Les diaporamas des quatre interventions sont également disponibles au format PDF :

Les Vendredis Quanti se déconfinent aussi !

Après avoir un peu tergiversé, l’équipe des Vendredis Quanti a envie de tenter l’expérience de quelques séances à distance d’ici à la fin de l’année. Après discussion, et avec l’accord des intervenant.es, nous vous proposons donc le programme suivant :

  • vendredi 29 mai : Julie Blanc (Centre Max Weber, Lyon) : Y a-t-il un espace social des pratiques écologiques ? Séance animée par Sofia Aouani.
  • vendredi 5 juin : Thomas Soubiran (CERAPS, Lille) : Analyser des pétitions en ligne avec la classification spectrale de graphes. Séance animée par Sandrine Astor.
  • vendredi 12 juin : Jingyue Xing et al. : Comportements de diffusion sur une plateforme pornographique. Séance animée par Antoine Machut.
  • vendredi 19 juin : Pierre Mercklé (PACTE, Grenoble) : La vie en confinement, données et premiers résultats. Séance animée par Pierre Mercklé
  • Jeudi 25 juin et vendredi 26 juin : Datathon « La vie en confinement ».

Quelques remarques sur ce programme et ces modalités concrètes de mise en œuvre :

  • Les séances, en tout cas la première et tant que les locaux ne nous sont pas accessibles ou que le télétravail reste recommandé, auront lieu à distance. Nous utiliserons une ou plusieurs des plateformes (notre choix n’est pas encore arrêté) que vous avez eu l’occasion d’expérimenter pendant ces deux mois. Il faudra probablement s’inscrire aux séances qui vous intéresseront : nous enverrons certainement une invitation dans ce sens au début de la semaine de chaque séance, sur la liste de diffusion des Vendredis Quanti.
  • Nous consacrerons la séance du 19 juin à une présentation du déroulement, des données et des premiers résultats de l’enquête sur « La vie en confinement », dont l’administration du questionnaire s’est déroulée du 14 avril au 11 mai, et qui a recueilli plus de 16 000 réponses.  L’idée est ensuite d’organiser un datathon la semaine suivante, sur deux jours, les 25-26 juin, ouvert à celles et ceux d’entre vous qui souhaitent participer avec l’équipe à l’analyse des données de l’enquête.
  • L’horaire : on va vraisemblablement garder 14h-16h pour les séances du 29/05 au 19/06. Le datathon a lieu sur les deux jours entiers.

On espère vous retrouver nombreux.ses pour ces séances !

Pierre Mercklé,

pour l’équipe des Vendredis Quanti

Parler à deux ans, par Holly Hargis (Vendredis Quanti, 14 février 2020)

Résumé rédigé par Julie Blanc

La conférence est la présentation du travail de M2 de Holly Hargis, qu’elle prolonge dans le cadre d’une thèse codirigée par Pierre Mercklé et Julie Pagis sur les socialisations langagières en famille. L’exposé d’aujourd’hui porte sur le cadrage statistique de ce travail, qui comportera par ailleurs une partie qualitative composée d’observations chez des familles de différents milieux ayant des enfants scolarisés en moyenne ou grande section de maternelle (ce sont donc des enfants d’environ 5 ans). La pratique des observations au domicile familial n’est pas très répandue mais Holly l’a déjà expérimentée en M1, réalisant que les obstacles étaient sans doute moins importants qu’escompté.

Holly travaille avec R sur l’enquête Elfe. Elfe est une enquête longitudinale dont l’objectif était de suivre, lors de son lancement en 2011, environ 18 000 enfants de France métropolitaine sur plusieurs années. Les données utilisées sont relatives aux enfants de deux ans dont la mère (généralement le parent référent de l’enquête) a répondu à toutes les questions. Après attrition, l’échantillon est de 12 000 enfants environ. Ce sont donc des données au volume conséquent.

Une des contraintes de l’enquête est qu’on ne peut pas poser la même question aux parents deux années consécutives, ce qui limite la précision longitudinale des données et en particulier les comparaisons intertemporelles. Ce sont également des données difficiles d’accès : pour avoir accès à la base, les procédures sont longues et laborieuses (il faut notamment sélectionner toutes les questions posées par le questionnaire dont on souhaite récupérer les réponses).

Construire un score d’énonciation

On demande au parent référent des enfants de deux ans, dans 98 % des cas la mère, si les enfants prononcent de manière « spontanée » tel ou tel mot (même si leur prononciation n’est pas équivalente à celle des adultes). La liste comporte 100 mots. Elle a été construite par une équipe dirigée par Sophie Kern (psychologue au CNRS, laboratoire Dynamique du Langage, Lyon) et adapte le MacArthur-Bates Communitive Developpement Inventories pour la langue française. On y trouve des noms d’animaux, des surnoms, des sons, des termes routiniers… Ils sont cités par l’enquêteur au parent dans un ordre précis.

Pour chaque enfant, on connaît le nombre de mots spontanément énoncés dans la vie quotidienne (sur déclaration du parent référent) et la nature de ces mots. Sur cette base, Holly a fabriqué un « score d’énonciation », allant de 0 (l’enfant ne cite aucun des mots inclus dans la liste) à 100 (l’enfant cite tous les mots de la liste).

En moyenne les enfants prononcent 73 mots sur les 100 de la liste. Les mots les plus prononcés sont, sans beaucoup de surprises, Maman ou Papa, le mot le moins prononcé est « écrire » (et ses dérivés).

Les mots prononcés par l’enfant ELFE de 2 ans

Chaque parent référent répond « oui » ou « non » à la question « est-ce que [enfant ELFE] dit1 de manière spontanée », par rapport à une liste de 100 mots. L’enquête a été réalisée par téléphone.

Aïe Beebee Pot
Cheveux Faire, faire un bisou Chaud
Moi Poisson Livre
Bateau Bouche Tomber
Couche Lait Cochon
Ou Sale Merci
Bonbons Casser Au revoir
Ecrire Maison Dehors
Pates Yaourt Nez
Fromage Chien Biberon
Poubelle Monsieur Fermer
Chaussure Allo Papa
Lumière Coucou Bras
Verre Ouaf Ouaf Lapin
Coincoin Beau Pomme
Meuuuh Eléphant Chaise
A, avoir peur Pleurer Maman
Eau Bonjour STP
Prénom Ici Chocolat
Boire Pyjama Moto
Fleur Caillou Yeux
Pars, parti, partir Lune Cuillère
Ca Voiture Pain
Lit Cheval Assiette
Porte Miaou Encore
Chat Ballon Pluie
Mange, manger Compote Bébé
Télé Oreille La
Chuuttt Bon Quoi
Musique Ecole Bottes
Attention Pas Main
Dame Cacher Vroum
Pantalon Froid Canard

De 1 an à 2 ans, un suspens linguistique en deux saisons

En 2018, Nathalie Berthomier et Sylvie  Octobre publient en article2 qui s’intéresse au langage des enfants de un an. La liste ne comporte alors que 12 mots car il existe une explosion lexicale entre 1 et 2 ans. Il conclut que les activités des parents sont primordiales dans l’acquisition du vocabulaire : si une mère lit des livres à son bébé, il y a beaucoup plus de chance que le vocabulaire de ce dernier soit étendu, idem si les parents parlent plus d’une langue. La mère est celle qui a le plus d’influence sur la socialisation langagière des enfants, en particulier chez les filles – sans doute car ce sont les femmes qui dédient le plus de temps à l’éducation des jeunes enfants. L’origine sociale de l’enfant est codée en PCS et en fonction du plus haut diplôme obtenu par ses parents.

Jusque là, rien de très étonnant… mais l’article lève un lièvre intéressant. En sciences sociales, la tradition considère plutôt que les enfants des classes populaires ont un vocabulaire moins étendu  que ceux des classes supérieures3. Or, S. Octobre et N. Berthomier montrent au contraire que le nombre de mots connus par l’enfant ELFE à un an augmente lorsque le diplôme diminue. Comment expliquer ce paradoxe ?

  • La notion de «prononciation» est perçue différemment par les parents en fonction de leur origine sociale.
  • La liste des mots, très quotidienne, ne permet pas de rendre compte de la maîtrise langagière des enfants des classes supérieures qui se démarqueraient peut-être par la maîtrise de mots plus « rares ».
  • L’exposition à un vocabulaire plus vaste rend plus long l’apprentissage des mots.

Ces résultats ne mettent pas l’accent sur les différences de genre entre enfants ni sur les différences de mode de garde.

Le travail de Holly se construit donc en partie dans la comparaison – prolongation de cet article.

Comment définir l’origine sociale de l’enfant ?   

A deux ans, la mère reste plus impliquée dans l’éducation de l’enfant que le père : elle participe plus aux activités, l’enfant passe donc plus de temps avec elle. Holly a donc basé ses analyses de PCS sur la PCS de la mère : sa classification ne correspond pas forcément aux classifications usuelles puisqu’un enfant issu d’un père cadre et d’une mère ouvrière sera considéré comme étant issu des classes populaires.

C’est aussi une question technique : l’enjeu est de ne pas fausser la régression (l’existence d’une homogamie matrimoniale forte crée une corrélation forte entre la PCS du père et celle de la mère4.

Contrairement à la méthode employée par Octobre et Berthomier, le diplôme n’est ici pas pris en compte, car Holly considère que la PCS implique le diplôme.

Aurait-il fallu utiliser la nouvelle PCS ménage de la dernière nomenclature de l’INSEE, présentée lors du précédent Vendredi Quanti par Joanie Cayouette-Remblière ? Celle-ci permet de rendre mieux compte des cas d’hétérogamie interne aux ménages) en ne gardant qu’une seule variable de PCS. Elle permet donc de préserver un principe d’économie utile à la manipulation des données. Dans le cas des données de Holly, la PCS ménage explique un peu mieux que la seule prise en compte de la PCS de la mère et beaucoup mieux que la seule prise en compte de celle père. En revanche, elle explique moins bien que la double prise en compte séparée des PCS de la mère et du père.

Mais dans un sujet comme celui-ci, faut-il vraiment s’intéresser à cette question de la PCS ménage, alors qu’on sait que le soin des enfants, en particulier à cet âge, est surtout pris en charge par les mères ?

Une régression pour expliquer quels sont les facteurs à l’origine d’un faible nombre de mots prononcés

La régression s’intéresse aux enfants dont le score d’énonciation est le plus faible, c’est à dire le premier quartile des enfants, prononçant moins de 59 mots (26 % des enfants). Ce choix a été fait pour poursuivre la comparaison avec l’article d’Octobre et Berthomier, qui travaillent elles aussi sur ce premier quartile linguistiquement plus pauvre que les suivants (il s’agit, pour les enfants de 1 an, de ceux qui prononcent moins de 3 mots).

Un an plus tard que se passe-t-il ?

Tableau 2 : Facteurs explicatifs d’une prononciation linguistique « faible » chez l’enfant ELFE à 2 ans (moins de 59 mots) soit 26% des enfants. Résultats des régressions logistiques. Variable à expliquer : score compréhension moins de 59 mots

Sexe ***
Filleref
Garçon1,82***
Classe sociale de la mère ***
Classes populaires1,52***
Classes moyennes1,2*
Classes supérieuresref
Différence PCS entre mère et père *
Mère > Père1,2*
Mère = Père1
Mère < Pèreref
Langue parlée *
Français uniquement1,3*
Au moins une partie des mots dans une autre langueRef
Mode de garde ***
Mère2***
Assistante Maternelle1,2*
Crècheref
Autre1,7***
Frères et sœurs **
Oui1,2**
Nonref
Enfant ELFE possède des livres pour bébé *
Ouiref
Non1,4*
Mère lit des livres à l’enfant ***
Souventref
Le reste1,6***
Père lit des livres à l’enfant **
Souventref
Le reste1,2*
Mère chante des comptines à l’enfant ***
Souventref
Le reste1,4***
Père chante des comptines à l’enfant ***
Souventref
Le reste1,1*
Mère reste calmement avec l’enfant Elfe en lui parlant
Souventref
Le reste0,9
Père reste calmement avec l’enfant Elfe en lui parlant
Souventref
Le reste1,1
Mère regarde la télévision avec l’enfant ELFE **
Souvent1,2**
Le resteref
Père regarde la télévision avec l’enfant ELFE **
Souvent1,2**
Le resteref

n= 12 518

Source : Enquête ELFE 2 ans, 2013

Champ : mères référentes

Lecture : Les garçons, « toute chose égale par ailleurs », ont plus de chances de dire moins de 59 mots que les filles (odds ratio de 1,82).

Note : Les données sont pondérées. Signif. codes :  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’. Les variables de pratiques langagières et possession de livres sont relatifs à l’enfant ELFE à un an.

A deux ans, les garçons ont plus de chances de se retrouver parmi les enfants qui prononcent le moins de mots de la liste. En effet, les filles montrent une précocité langagière supérieure : il existe une différence moyenne de 8 mots en faveur de ces dernières. De plus, les seuls mots que les garçons disent plus  que les filles sont les mots « vroum » et « moto ».

Les enfants des mères des classes populaires et moyennes ont plus de chances d’avoir un score d’énonciation dit « faible ». En effet, les enfants des mères des classes supérieures prononcent plus de mots en moyenne. De plus, les enfants d’employés et d’ouvriers sont plus nombreux à prononcer seulement deux mots de la liste : « bonbons » et « télé ».

Si on regarde le mode de garde, les enfants gardés par la mère prononcent moins de mots en moyenne et ont plus de chance de se retrouver parmi les enfants qui prononcent moins de mots. Les enfants gardés à la crèche disent en moyenne 12 mots de plus que ceux qui sont gardés par la mère.

Si la mère lit des histoires ou chante régulièrement à l’enfant ELFE à un an, l’enfant ELFE à deux ans a moins de chance de se retrouver parmi les enfants qui prononcent le moins de mots. A contrario, si la mère regarde souvent la télévision avec son enfant à un an, l’enfant a plus de chances d’avoir une prononciation « faible » à deux ans.

Les 10 mots où l’écart est le plus élevé entre les enfants de classes populaires et ceux des classes supérieures sont aussi les 10 mots les moins prononcés dans l’ensemble : éléphant (25 points d’écart), bateau, lune, cochon, cheval, canard, cadeau, livre, lapin et bottes.

Les enfants ne possédant pas de frères et sœurs maîtrisent aussi tendanciellement plus de mots.

Enfin, les enfants issus de foyers où l’on parle plusieurs langues ont également plus de chance de maîtriser un grand nombre de mots.

Du quanti pour orienter le quali

Ces observations fournissent des indices qui permettent d’orienter les observations qualitatives à venir. Il s’agira donc de :

  • S’intéresser à des pratiques langagières particulières (lecture, chant) ou bien à des activités qui peuvent solliciter le langage (jouer avec des poupées par exemple) et non pas simplement aux interactions langagières entre parent et enfant en général
  • S’intéresser au mode de garde. L’enquête qualitative ne portera pas sur tous les modes de garde puisqu’elle restera concentrée sur ce qui se joue au domicile familial, mais l’approche quantitative montrer la nécessité, pour d’autres chercheurs, d’ouvrir des terrains qualitatifs dans les autres espaces fréquentés par les enfants, lorsqu’ils sont gardés ailleurs.
  • S’intéresser à la fratrie, un sujet souvent négligé en sciences sociales de l’enfant qui privilégie l’analyse entre parent et enfant
  • S’intéresser aux différences entre filles et garçons. Deux éléments sont ici à relever : d’une part, c’est une des variables qui pèse le plus sur la régression. De l’autre, il faut aussi souligner que ces écarts de vocabulaire entre les sexes varient en fonction du milieu social.

A quels faits ces données donnent-elles accès ?

Comme les réponses à l’enquête Elfe se basent sur les déclarations des parents, on peut se demander à quel point cette enquête est une porte d’entrée vers les pratiques réelles des enfants. Elle pourrait aussi renvoyer à ce que les parents projettent sur ces derniers et à leurs attentes quant au lexique maîtrisé par leurs bambins. Mais si le sujet est les socialisations langagières, alors cette différence ne nous donne pas moins d’information sur les mécanismes qui sont à l’œuvre, et en particulier s’il s’agit de conclure que certaines mères (puisque ce sont principalement des répondantes et non des répondants) désirent plus que d’autres voir leurs enfants comme des as du dictionnaire.

Enfin, il reste toujours quelques points à approfondir : quantifier, ou compter les mots, ne semble pas suffire pour bien rendre compte du langage enfantin. Holly souhaite ensuite s’intéresser de plus près aux types de mots dans la liste, aux limites des indicateurs quantitatifs à l’œuvre, et surtout à la pertinence de coupler les approches quantitatives et qualitatives.

  1. 9% des mères indiquent que l’enfant disait tout ou une partie des mots dans une autre langue que le français (les données sont pondérées). []
  2. Berthomier Nathalie, Octobre Sylvie, « Primo-socialisation au langage : le rôle des interactions langagières avec les parents durant les 365 premiers jours de l’enfant d’après l’enquête Elfe », Culture études, 2018/2 (n° 2), p. 1-20, https://www.cairn.info/revue-culture-etudes-2018-2-page-1.htm []
  3. Grobon S, Panico L, Solaz A. Inégalités socioéconomiques dans le développement langagier et moteur des enfants à 2 ans, Bull Epidémiol Hebd. 2019;(1):2-9 ; Hart B, Risley TR. Meaningful differences in the everyday experience of young American children. Baltimore (United States): Brookes Publishing Co; 1995. 256 p. ; Lareau, A., Unequal Childhood. Class, Race and Family Life, Berkeley, University of California Press, 2003. []
  4. Le Variance Inflation Factor (VIF) est une mesure de la colinéarité des variables qui peut être utilisée dans ce genre de cas. Après détermination d’un seuil de colinéarité acceptable, elle indique s’il est possible de faire une régression. []

Les méthodes d’équations structurelles (MES) : Pour qui ? Pour quoi faire ? Comment ça marche ? par Alain Lacroux ( Vendredis Quanti, 31 janvier 2020)

En accompagnement de ce résumé, vous pouvez consulter et télécharger :

Résumé rédigé par Pierre Mercklé

Nées dans certaines branches de la sociologie, en particulier de la sociologie américaine, et rapidement diffusées dans de nombreuses autres disciplines, dont les sciences de gestion, les méthodes d’équations structurelles (MES), ou Structural Equation Modeling en anglais (SEM), sont considérées par certain.e.s comme une méthode « magique », qui « marchent » quand les modèles de régression traditionnels ne marchent pas.

Il n’y a bien sûr rien de magique dans cette méthode, qui peut rendre toutefois des services importants quand elle est utilisée à bon escient, en particulier pour éprouver des hypothèses causales sur des données empiriques. L’objectif d’Alain Lacroux, en proposant cette introduction aux méthodes d’équations structurelles, était d’en exposer le principe général, et d’en montrer la mise en œuvre avec le package lavaan pour R.

Pour qui ?

Le recours aux MES est une sorte d’habitude dans certaines disciplines des SHS, comme la psychologie, les sciences de gestion (la discipline d’Alain), ou encore les sciences de l’information et de la communication, à telle point qu’elles peuvent parfois être considérées comme la « science normale » de ces disciplines. Il s’agit d’une méthode qui est basée sur l’analyse des matrices de covariance entre des variables qui sont généralement numériques, mais peuvent être parfois ordinales ou nominales.

Ce n’est donc rien d’autre, en quelque sorte, qu’une généralisation de la régression multiple, utile pour tester des hypothèses : il faut donc s’inscrire dans une démarche plutôt hypothético-déductive, qui repose sur une phase préalable d’élaboration d’hypothèses quant aux relations causales entre les variables introduites dans le modèle.

Pour quoi faire ?

L’objectif des MES, c’est de proposer une modélisation des relations causales entre de nombreuses variables. La particularité des MES, c’est que ces modèles causaux peuvent comporter plusieurs variables explicatives, mais également plusieurs variables expliquées. Et aussi des échelles multi-items, et des variables latentes… De façon très classique, les MES servent à calculer la force des relations entre des items et les variables latentes qu’ils mesurent, et entre ces variables latentes, comme dans le graphique ci-dessous. Dans cet exemple classique, le sociologue Kenneth Bollen, pionnier des MES, modélise ainsi les relations entre une mesure du développement en 1960 (ind60), et de la démocratie en 1960 et 1965 (dem60 et dem65), ces trois variables latentes étant estimées chacune par des échelles de trois indicateurs différents[1]

Concrètement, les MES ont trois utilisations principales :

  • Ils peuvent servir à valider des échelles de mesure, pour confirmer une échelle construite avec des méthodes factorielles.
  • Ils peuvent servir à estimer des modèles en pistes prédictives : il s’agit de gros modèles avec plein de variables, permettant de construire des modèles de réseaux bayésiens complexes.
  • Ils peuvent permettre d’élaborer des modèles de croissance latente sur des données longitudinales (en anglais, latent growth curve model, ou LGCM).

Ils peuvent aussi avoir quelques usages plus spécifiques, comme les modèles de classes latentes (latent class model, ou LCM), forme particulière d’analyse typologique ; ou les modèles de trajectoires latentes (latent trajectory model, ou LTM), pour analyser des parcours-types.

Les avantages des MES, c’est qu’ils permettent : d’estimer simultanément l’ensemble du modèle et donc l’ensemble des relations causales ; de comparer la qualité d’ajustement de modèles concurrents ; de réexaminer des données secondaires issues de recherches passées (dans le cas où on a une matrice de corrélation, des statistiques descriptives et la taille de l’échantillon). Ils possèdent aussi, bien sûr, certaines limites : ils s’inscrivent principalement dans logique confirmatoire, puisqu’il faut spécifier un modèle avant de tester son ajustement aux données. Et il faut ajouter qu’un modèle bien ajusté aux données n’est pas forcément un bon modèle : le rôle du chercheur demeure fondamental dans le choix de la modélisation. Ce n’est donc en rien une méthode miracle, qui permettrait de surmonter toutes les difficultés rencontrées avec les autres méthodes.

Comment ça marche ?

La mise en œuvre des méthodes d’équation structurelle se fait en quatre étapes :

  1. Modélisation : spécification du modèle et des relations entre les variables. C’est une combinaison d’analyse factorielle pour calculer les variables latentes et de régression.
  2. Estimation (calcul du modèle).
  3. Analyse de la qualité de la solution (ajustement du modèle aux données) grâce à une série d’indicateurs.
  4. Modification (re-spécification éventuelle). L’algorithme peut suggérer d’ajouter des relations entre indicateurs, ou entre indicateurs et variables latentes

Concrètement, les logiciels permettant de « pratiquer » les MES ont longtemps été très chers. Mais il y a désormais, dans ce domaine comme dans les autres, des packages permettant de le faire gratuitement et de façon très efficace dans R. Alain Lacroux termine son intervention par la présentation d’un exemple réalisé avec le package lavaan, développé par un chercheur de Gand (Belgique), et qui est le package le plus habituellement utilisé.

Le script proposé par Alain, et qui est disponible ici, permet de formaliser le modèle de Bollen évoqué plus haut, puis de l’estimer et d’analyser la qualité, et enfin de le représenter graphiquement à l’aide des packages semPlot et lavaanPlot. Le powerpoint de la séance, également disponible ici, offre de nombreux commentaires de ce script, ce qui vous en facilitera la lecture. Le script propose deux autres exmples, qui permettent de formaliser et analyser des modèles en pistes causales sur des variables latentes (latent path analysis) et manifestes (path analysis).

Pour aller plus loin, vous pouvez poursuivre votre découverte des méthodes d’équations structurelles avec ces ouvrages, signalés par Alain à la fin de son intervention :

  • Gana, K., & Broc, G. (2018), Introduction à la modélisation par équations structurales: manuel pratique avec lavaan, ISTE Group (une bonne référence en français pour débuter avec lavaan)
  • Kline, R. B. (2015), Principles and practice of structural equation modeling, Guilford publications (la référence incontournable, et la plus pédagogique).
  • Beaujean, A. A. (2014), Latent variable modeling using R: A step-by-step guide, Routledge (plus pointu, mais très pratique).

[1] Bollen, K. A. (1979), ‟Political democracy and the timing of development”, American Sociological Review, 44(4), 572-587.

Des étoiles plein les yeux. Mettre en forme des résultats de régression avec R, par Antoine Machut (Vendredis Quanti, 22 novembre 2019)

Résumé rédigé par Sofia Aouani

La séance du vendredi 22 novembre 2019 a été animée par Antoine Machut, doctorant à PACTE. Elle visait à la fois à présenter les intérêts de l’usage de la régression dans le cadre spécifique de son travail de thèse, récemment achevé, tout en fournissant des outils pratiques à la mise en forme des résultats de régression.

Analyser les carrières journalistiques par l’usage de la régression

La thèse d’Antoine Machut, intitulée « La Bourse ou la plume ? Les trajectoires professionnelles de journalistes dans le monde l’information financière », porte sur les carrières de journalistes ayant exercé ou exerçant dans le secteur de la presse financière. A partir de données récoltées sur LinkedIn et sur annuaire, il propose une analyse de séquences permettant de saisir la distribution des activités des journalistes dans le temps. En particulier, il s’intéresse à la fois aux phénomènes de diversification et de dispersion des carrières à l’intérieur du monde journalistique (selon le niveau et le domaine de spécialisation) en même temps qu’aux formes de sortie de ces carrières.

L’un des premiers résultats obtenus est que c’est parmi les cohortes les plus récentes que l’on rencontre la plus grande diversification des carrières et la part la plus importante d’exit (les zones vertes dans le graphique ci-dessus). Antoine Machut pose alors la question des déterminants associés à ces profils avec une interrogation relative notamment aux effets de la formation sur les possibilités d’engager une sortie de la profession. Autrement dit, est-ce que le fait d’avoir appris le métier dans une école de journalisme rend moins probable et problématique la sortie de la profession vécue sur le mode de la vocation ? Il distingue pour cela le type de diplômes détenus ainsi que le degré de reconnaissance qui y est associé. Pour les individus ayant suivi des parcours de formation dans des écoles de journalisme, reconnues et prestigieuses, les sorties de carrière sont moins courantes au moins durant les dix premières années d’exercice. Pour autant, cela ne s’explique pas nécessairement par un engagement plus intense dans la mesure où ces profils de formation comptent moins de spécialistes des domaines économique et financier. Il est possible, au contraire, que les journalistes spécialisés soient également ceux et celles qui accèdent davantage à des opportunités de travail en dehors du monde de la presse.  

C’est dans cette perspective que le recours à la régression peut se révéler utile. Une fois prise en compte la « direction » prise par la trajectoire – en l’occurrence le niveau de spécialisation qui la caractérise – subsiste-t-il un lien statistique entre le fait d’avoir suivi une formation en journalisme et la probabilité de quitter le journalisme ?

La représentation des résultats de régressions – Tuto

Dans le cas considéré, la régression logistique mise en œuvre cherche à estimer la probabilité de quitter la presse plutôt que de ne pas la quitter (autrement dit, la « chance relative ») pour les personnes qui ont suivi des études de journalisme par rapport à celles qui n’en ont pas suivies.

Traditionnellement, les résultats des régressions sont présentés à travers des tableaux récapitulatifs dans lesquels figurent les odds-ratio accompagnés du niveau de significativité. Exprimant le rapport entre deux odds A et B, l’odds-ratio permet de mesurer les « chances de » (ou les « risques de ») connaître l’événement étudié (ici l’exit) pour une population A (mettons, les formés en école reconnue de journalisme), par rapport à ces mêmes chances pour une population B (les non-formés en journalisme).

Soit [Pa/(1 Pa)]/[Pb/(1 Pb))] avec

Pa : la probabilité de connaître l’événement pour la pop. A

Pb : la probabilité de connaître l’événement pour la pop. B


Une question taraude l’assistance… Comment formuler des constats à partir des odds-ratio sans émettre de jugement normatif ? Exprimer les résultats d’une régression selon l’alternative « chances de » ou « risques de » est-il adapté aux sciences sociales ? Ces éléments de discussion nous permettent de revenir collectivement sur la « controverse sur la mesure des inégalités scolaires » en sociologie qu’évoque Pierre Mercklé dans un billet. Il y souligne le caractère optimiste associé aux odds-ratio expliquant le fort investissement dont cette méthode de mesure fait l’objet depuis le milieu des années 1980. Nous renvoyons les lecteur.trice.s intéressé.e.s par ces questions à la bibliographie mentionnée dans le billet[1].


D’autres méthodes existent permettant de représenter graphiquement les résultats d’une régression.

Une des méthodes présentées repose sur l’extension Ggally du package ggplot2. Elle a l’avantage de permettre d’identifier rapidement les modalités de variable qui présentent les odds-ratio les plus importants puisqu’ils sont classés dans l’ordre décroissant. L’ensemble des éléments de mise en forme du graphique peuvent être contrôlés par les différentes fonctions de ggplot2. Il est également possible de projeter plusieurs graphiques dans une même fenêtre grâce à la fonction multiplot du package JLutils. Néanmoins, ce mode de représentation présente plusieurs inconvénients : les modalités de référence doivent être ajoutées, les p-value ne figurent pas sur le graphique, les effectifs non plus. Cette méthode est très flexible : l’amélioration du graphique est possible avec les multiples fonctions de ggplot 2, mais en même temps relativement coûteuse. Elle demande en effet une affinité, sinon une maîtrise, de la grammaire particulière de ggplot 2[2].


C’est peut-être avec la dernière méthode que nous obtenons la mise en forme la plus satisfaisante. Grâce à la fonction forest_model du package forestmodel, il est possible de combiner à la fois un tableau et une représentation graphique des odds-ratio. Le tableau regroupe les variables du modèle ainsi que les différentes modalités qui s’y rapportent (dont les modalités de référence), les effectifs, les p-value et le graphique permet de lire les odds-ratio.

Une vive agitation se fait sentir parmi les participant.e.s au séminaire. Les interrogations portent sur les bénéfices du recours à de telles techniques de représentation des résultats d’une régression. Quand des habitudes de lecture et de publication comme celles associées à la lecture des tableaux « classiques » de régression sont aussi bien ancrées dans le monde académique, y a-t-il des bénéfices à préférer des représentations visuelles originales ? Ces dernières peuvent être adaptées à des présentations orales, en particulier celles destinées à un public peu averti de ce type de méthode. Les avis sont divergents et nous ne pouvons que vous encourager à vous faire votre propre avis… par la pratique des techniques présentées par Antoine Machut. Si la balance devait pencher pour les tableaux classiques de régression, la fonction htmlreg du package texreg fait très bien le travail, y compris pour présenter les résultats de plusieurs modèles dans un même tableau.


[1] https://quanti.hypotheses.org/603

[2] François Briatte, « Introduction à ggplot2, la grammaire des graphiques », http://larmarange.github.io/analyse-R/intro-ggplot2.html

Vendredis Quanti 2019-2020 : le programme du second semestre

Les vendredis quanti sont un atelier de discussion et de travail collaboratif autour des méthodes quantitatives dans les sciences sociales. Chaque atelier est introduit par une présentation autour de questions relatives à la collecte et à l’analyse des données quantitatives. La seconde partie de chaque séance est consacrée à une discussion libre au cours de laquelle chacun·e peut soumettre au débat un problème de traitement de données ou travailler sur ses données en bénéficiant des conseils des autres participant·e·s.

Calendrier du second semestre 2019-2020 :

  • Vendredi 17 janvier 2020 14h-16h : Présentation et mise en application de la nouvelle nomenclature des PCS Ménages (Joanie Cayouette-Remblière, INED).
  • Vendredi 31 janvier 2020 14h-16h : Les méthodes d’équations structurelles : pour qui ? pour quoi faire ? (Alain Lacroux, Université Polytechnique Hauts-de-France).
  • Vendredi 14 février2020 14h-16h : L’acquisition du langage chez les très jeunes enfants à partir de l’enquête ELFE (Holly Hargis, PACTE).
  • Vendredi 13 mars 2020 14h-16h : Cartographie avec PhilCarto et Magrit (Isabelle André-Poyaud, PACTE)
  • vendredi 27 mars 2020 14h-16h : Les carrières des biologistes suisses au XXe siècle : analyses factorielles et analyses de séquences (Pierre Benz, Université de Lausanne)
  • Vendredi 10 avril 2020 14h-16h : Le webscraping, mythes et réalités (Thomas Delclite, Direction générale de la statistique, Belgique)
  • Vendredi 15 mai 2020 14h-16h : Analyser des pétitions en ligne avec la classification spectrale de graphes (Thomas Soubiran, CERAPS, Lille)
  • Vendredi 29 mai 2020 14h-16h : Y a-t-il un espace social des pratiques écologiques ? (Julie Blanc, Centre Max Weber, Lyon)
  • Vendredi 12 juin 20020 14h-16h : Comportements de diffusion sur une plateforme pornographique (Jingyue Xing, avec Jean Finez et Jean-Marc Francony)
  • Jeudi 25 et vendredi 26 juin 2020 : Colloque « Trajectoires »

Responsables : Sandrine Astor, Sofia Aouani, Gilles Bastin, Julie Blanc, Jean Finez, Antoine Machut et Pierre Mercklé.

Horaire : deux fois par mois, le vendredi de 14h à 16h.

Lieu : Salle de réunion de PACTE, Sciences Po Grenoble.

Contact : pierre.merckle@univ-grenoble-alpes.fr

Pour plus d’informations, abonnez-vous à la liste de diffusion
https://listes.univ-grenoble-alpes.fr/sympa/info/seminaire-vendredis-quanti

ou retrouvez-nous sur ce carnet Hypotheses
http://quantigre.hypotheses.org

Analyser des listes de liens, par Pierre Mercklé (Vendredis Quanti, 8 novembre 2019)

Le Vendredi Quanti du 8 novembre 2019 a consisté en un atelier pratique consacré à l’analyse des listes de liens. Animé par Pierre Mercklé, il a permis d’explorer deux outils différents. Le premier, NodeXL, est un plug-in qui n’est utilisable qu’avec Excel pour Windows, et qui permet de manipuler des graphes simples avec des données qui se présentent sous forme de listes de liens (ou edgelists), dans l’environnement familier du tableau de Microsoft. Le second, le package igraph pour R, permet de réaliser des représentations graphiques de réseaux de liens plus satisfaisante et des analyses des données relationnelles plus complexes, mais il suppose d’être un peu familier avec l’environnement proposer par ce langage de programmation très répandu parmi celles et ceux qui dont de l’analyse des données, en sciences sociales et ailleurs. En attendant un « tutoriel » détaillé bientôt sur le carnet Quanti, voici un rapide résumé de la séance…

Qu’est-ce qu’une « liste de liens » ? C’est, tout simplement, un corpus de données relationnelles qui se présentent sous la forme d’une liste avec autant de lignes que de liens recensés, et deux colonnes : la première comporte le nom de la première extrêmité du lien, et la seconde le nom de son autre extrêmité. Il y a donc beaucoup de choses qui peuvent se prêter à ce type d’analyses : des listes d’emails ou de coups de téléphone, des listes de relations d’amitié, des relations sexuelles, des échanges financiers entre pays ou entre associations, des transferts de joueurs ente clubs de football… Les possibilités sont infinies ! Dans cet atelier, Pierre Mercklé a utilisé deux exemples : des votes au concours Eurovision de la chanson 2019, et des tweets autour de festival de musique et de cuisine de l’été dernier.

Dans le premier exemple, Pierre Mercklé a montré comment utiliser NodeXL pour construire un graphique représentant les votes des différents pays lors du dernier concours de l’Eurovision. L’image ci-dessous montre à la fois l’interface NodeXL, familière donc aux utilisateurs d’Excel, et le graphique obtenu, qui représente les liens entre chaque pays participant au vote et celui auquel il a accordé les fameux « twelve points ».

Le second exemple, destiné à montrer comment il est possible d’utiliser les fonctions les plus simples du package igraph pour R, est réalisé avec un corpus de 770 tweets envoyés au cours d’un festival de cuisine actuellement étudié par Sidonie Naulin. Pierre montre comme il est possible, avec un script de six lignes seulement, de récupérer dans le fichier Excel contenant les données d’origine tous les tweets qui sont des « replys » à d’autre tweets, et de dessiner à partir de là le réseau de ces liens entre les auteurs des messages et ceux à qui ils répondent. L’image ci-dessous montre l’interface de R, un extrait du script à gauche, et la représentation graphique obtenue à droite.

Le troisième exemple, réalisé à partir d’un corpus de 83 800 tweets envoyés lors de plusieurs festivals de musique de l’été 2018, permet de montrer, avec le même package igraph pour R et quelques fonctions supplémentaires, comment extraire la liste des liens entre les comptes des auteurs des tweets et les comptes qu’ils citent dans leurs messages. Le graphique ci-dessous présente le réseau des « mentions » lors du festival Musilac (Aix-les-Bains), dans lequel n’ont ici été conservés que les 100 comptes les plus mentionnés.

Enfin, le quatrième et dernier exemple est une reprise dans R, avec les données de l’Eurovision du premier exemple, pour montrer ce qu’il est possible de faire en combinant les fonctionnalités de plusieurs packages, ici en l’occurrence :

  • Le package rvest pour aspirer automatiquement des tableaux sur des pages HTML (par exemple tous les tableaux des résultats de l’Eurovision depuis 70 ans).
  • Le package photon et Open Street Maps pour géolocaliser les sommets d’un graphe (par exemple les pays de l’Eurovision).
  • Le package ggraph pour visualiser des graphes dans l’univers de ggplot2.
  • Le package twitterR pour importer directement dans R les résultats de requêtes dans l’API de Twitter.

Le graphique ci-dessous, ainsi réalisé en fin de séance en combinant ces outils, montre le réseau des votes de l’Eurovision 2019, en localisant chaque pays à son emplacement géographique. Cette façon de procéder permet de montrer, trente ans jour pour jour après la chute du Mur de Berlin, l’épaisseur et l’inertie historiques de la géopolitique musicale européenne.

Les trajectoires et leurs ingrédients. Comment articuler données séquentielles et variables catégorielles, par Pierre Bataille (Vendredis Quanti, 25 octobre 2019)

La thèse de Pierre Bataille, intitulée « Des cheminements sur la voie royale », portait sur les parcours des anciens élèves des ENS de Saint-Cloud, Fontenay-aux-Roses et Lyon, entre 1981 et 1987. L’approche mise en œuvre se situait au croisement de deux perspectives : d’une part, en termes de « trajectoires », ce que l’intégration d’une grande école fait aux lauréats, et de l’autre, en termes de « carrières », ce que les lauréats font de leur passage dans une grande école. Pour saisir cette distinction théorique entre « trajectoires » et « carrières », on peut se reporter à De Coninck et Godard (1990), qui distinguent les deux approches  suivantes : il y a selon eux, d’une part, des approches « archéologiques », qui expliquent l’orientation et la dynamique des parcours individuels par leurs « coordonnées d’origine », et raisonnent en termes de « balistique » et donc de trajectoires ; et il y a, d’autre part, les approches « structurales », qui expliquent les orientations et la dynamique des parcours individuels par leur structure, autrement dit par le séquençage et l’enchaînement des étapes qui les jalonnent, et leur évolution historique. Ce sont les approches de ce second type qui raisonnent plutôt en termes de « carrières »

Il y a donc deux tropismes différents : d’une part le tropisme « balistique » de la ligne de départ, dans lequel une impulsion initiale (par exemple la socialisation) détermine une trajectoire ; et d’autre part le tropisme de la ligne d’arrivée, dans la mesure où les « carrières » sont souvent saisies par leur produit fini idéal, qu’on finisse « déviant », « énarque » ou « anorexique ». Dans le cadre de la présentation du jour, la question de Pierre Bataille est de déterminer comme se saisir méthodologiquement et analytiquement de l’articulation entre l’approche séquentielle en termes de carrières et l’analyse de l’incidence des « ingrédients » individuels (Cf. Bidart, Longo et Mendez, 2012) (« capitaux », « dispositions », etc…) sur le cours des trajectoires individuelles. Différents outils peuvent être mobilisés, comme les diagramme « alluviaux », où on peut suivre des flux et des bifurcations, mais ces outils restent très descriptifs. Et généralement, les deux approches sont mises en œuvre séparément. D’une part, l’analyse archéologique conduit aux tableaux croisés, aux analyses factorielles et surtout aux analyses de régressions, permettant de rechercher et d’identifier les déterminants ou les causes des phénomènes observés. Et d’autre part, l’analyse structurale s’incarne en particulier dans l’analyse de séquences, qui permet d’appréhender l’ordre et l’enchaînement des événements et des étapes. C’est l’outil privilégié si on s’intéresse à la dimension processuelle des parcours individuels, notamment dans les espaces artistiques (Abbott et Hrycak, 1990 ; Giuffre, 1999 ; Accominotti, 2009 ; Dubois et François, 2013)… Jusqu’à parfois en oublier leur « mise en espace social » (Darmon, 2010).

Dans la présentation d’aujourd’hui, les données utilisées proviennent de l’enquête Musicians LIVE, menée à l’Université de Lausanne avec Marc Perrenoud, et portant sur les trajectoires de musiciens « ordinaires » suisses contemporains (Perrenoud, 2007). L’enquête a porté sur un groupe de 123 musiciens en activité en Suisse romande en 2013-2014, par calendriers de vie et questionnaires. Elle a permis d’identifier les montants et les sources des revenus musicaux, dont on analyse ensuite l’évolution, pour répondre à la question de l’impact de la digitalisation sur les manières de gagner sa vie avec la musique, et au-delà pour essayer de saisir les processus par lesquels on devient un musicien.

A partir de la formalisation des carrières des musiciens en séquences de revenus, deux étapes ont été mises en œuvre successivement (Macindoe et Abbott, 2004) : d’abord, le calcul de la matrice des distances (Studer et Ritschard, 2016), et ensuite l’analyse de cette matrice et le regroupement des séquences en clusters. L’opération produit donc une variable catégorielle, indiquant les différentes « classes » auxquelles appartiennent les séquences. Mais ce faisant, on « retombe » donc sur une analyse « basique » de relations entre variables catégorielles, ce qui a pour inconvénient de négliger la richesse et la spécificité de l’information séquentielle. Autrement dit on retombe sur le problème même qu’on voulait éviter au départ, qui conduit à refaire de l’analyse par les variables et des régression (Abbott, 2016).

Le défi est donc de garder la notion de distance au cœur de l’analyse et trouver un moyen (simple) de croiser cela avec des variables catégorielles. On va utiliser pour cela du Multidimensional Scaling (MDS), autrement dit une analyse factorielle qui est appliquée à la matrice des distances entre séquences. Le MDS est souvent utilisée à des fins descriptives (cf. Piccarreta et Lior, 2010) : en rangeant les séquences selon leurs coordonnées sur les principaux axes, on voit les structures principales d’opposition entre séquences. On construit ensuite des cartes avec les individus, qui fonctionnent exactement comme des ACM, mais avec les séquences encore une fois représentées sur les axes. Et enfin, on peut projeter sur ces cartes des variables catégorielles en supplémentaires (voir graphique ci-dessous).

Le résultat montre une distribution triangulaire, opposant ceux dont les revenus musicaux sont faibles, et au sein de ceux qui ont des revenus musicaux plus importants, entre ceux qui les perçoivent depuis récemment, et les musiciens plus installés.

Références bibliographiques

Abbott Andrew et Hrycak Alexandra, 1990, « Measuring Resemblance in Sequence Data: An Optimal Matching Analysis of Musicians’ Careers », American Journal of Sociology, pp. 144-185.

Accominotti Fabien, 2009, « Creativity from Interaction: Artistic Movements and the Creativity Careers of Modern Painters », Poetics, 37(3), pp. 267-294, 02/11/2019.

Bidart Claire, Longo M.E. et Mendez A., 2012, « Time and Process: An Operational Framework for Processual Analysis », European Sociological Review, 29(4), pp. 743-751.

Darmon Muriel, 2010, La socialisation, Paris, Armand Colin, coll. « 128 ».

De Coninck Frédéric et Godard Francis, 1990, « L’approche biographique à l’épreuve de l’interprétation. Les formes temporelles de la causalité », Revue française de sociologie, vol. 31, n° 1, pp. 23-53, https://www.persee.fr/doc/rfsoc_0035-2969_1990_num_31_1_1078?pageid=t1_53.

Demazière Didier, Jouvenet Morgan et Abbott Andrew, 2016, Andrew Abbott et l’héritage de l’école de Chicago, Paris, Éditions de l’EHESS.

Dubois Sébastien et François Pierre, 2013, « Career Paths and Hierarchies in the Pure Pole of the Literary Field: The Case of Contemporary Poetry », Poetics, 41(5), pp. 501-523.

Giuffre K.A., 1999, « Sandpiles of opportunity: success in the art world », Social Forces, 77, pp. 815–832.

MacIndoe Heather et Abbott Andrew, 2004, « Sequence Analysis and Optimal Matching Techniques for Social Science Data », in Bryman Alan et Hardy Melissa Hardy (dir.), Handbook of Data Analysis, Londres, Sage, pp. 387-406.

Perrenoud Marc, 2007, Les musicos : enquête sur des musiciens ordinaires, Paris, La Découverte.

Piccarreta Raffaella et Lior Orna, 2010, « Exploring Sequences: a Graphical Tool Based on Multi‐dimensional Scaling », Journal of the Royal Statistical Society: Series A (Statistics in Society), 173(1), pp. 165-184.

Studer Matthias et Ritschard Gilbert, 2016, « What Matters in Differences Between Life Trajectories: A Comparative Review of Sequence Dissimilarity Measures », Journal of the Royal Statistical Society: Series A (Statistics in Society), 179(2), pp. 481-511.

La classification des offres d’emplois par apprentissage machine, par Annette Casagrande (Vendredis Quanti, 4 octobre 2019)

Voir le diaporama (pdf) :

Le travail présenté dans cette séance du vendredi 4 octobre 2019 par Annette Casagrande, ingénieure à Pacte, a été réalisé dans le cadre d’un contrat post-doctoral à l’université de Montréal. Dans le cadre de ce projet, intitulé « Butterfly Predictive Project » et porté par l’entreprise LittleBigJob, il s’agissait d’identifier des candidats potentiels pour un poste donné, et leurs chances de réussir dans le poste, dans un contexte où 70% des recruteurs reconnaissent avoir des difficultés à trouver les profils qu’ils recherchent.

Le projet a abouti au développement d’un système de recommandation appelé Cérébra. Dans le domaine de l’appariement entre offres d’emplois et candidatures, il y a plusieurs approches possibles : des approches sémantiques (notamment avec le système IMPAKT (Colucci et al.,2013)), des approches par des mesures de similarité, des approches par apprentissage machine, des approches par méthode vectorielle et utilisation des réseaux sociaux (Diaby et Vianet, 2014). La tâche reste cependant compliquée à cause de la structure libre de la rédaction des offres d’emplois et des candidatures.

Le corpus de travail est constitué de données qui étaient toutes fournies au format jSon :

  • 140.000 offres en anglais, et 120.000 offres en français.
  • 25 millions de profils canadiens et français « anonymisés » (sans nom ni prénom) issus de LinkedIn, Viadeo, Indeed, etc., renseignés presque totalement en champs libres (données textuelles). La plupart des profils contiennent moins de 300 caractères, donc environ 50 mots, ce qui est très peu.

Pour apparier offres et candidatures, on a utilisé deux algorithmes créés par l’équipe : WordMatcher (similarité des registres lexicaux les plus discriminants de part et d’autre) et SkillFinder (recherche de compétences en fonction d’une ontologie préalable enregistrant une liste de compétences). Préalablement à l’appariement, un travail de lemmatisation, puis de nettoyage orthographique à la main, a été effectué. L’analyse essaie ensuite d’extraire des compétences et des expériences, puis calcule un score combinant titre d’emploi, compétences et expériences.

L’outil est ensuite évalué sur un test de 86 offres évaluées « manuellement » par un panel de recruteurs, et un total de 320 candidats notés de 1 à 5 par le partenaire. La procédure, dans sa version initiale, a donné des résultats relativement peu satisfaisants, notamment en raison de la non-prise en compte de la localisation géographique des emplois et des candidatures. Sa prise en compte a ensuite amélioré significativement les résultats.

On a constaté ensuite que les entreprises souhaitent recruter des candidats issus du même domaine d’activité. Il a donc fallu donc détecter « l’univers d’appartenance » de la candidature et celui de l’offre d’emploi. C’est pour cette détection qu’on a mobilisé l’apprentissage machine. Quatre méthodes d’apprentissage ont été retenues : C4.5 (Quilan, 2014, arbre de décision et mesure d’entropie) ; k plus proches voisins ; forêt d’arbres de décision ; SMO (Sequential minimal optimization)(Platt,1999).

Manuellement, on constate que les employeurs classent les offres selon deux stratégies : selon l’activité de l’entreprise, ou selon le titre de l’emploi. Les corpus d’apprentissage ont été créé en fonction de ces deux stratégies, donnant lieu à plusieurs tests d’apprentissage.

L’apprentissage machine est effectué avec un logiciel qui s’appelle Weka, qu’on utilise soit via une interface, soit comme une librairie Java. Les résultats des différents algorithmes sont satisfaisants (de l’ordre de 70%), sauf sur le corpus d’apprentissage étiqueté manuellement (de l’ordre de 20 à 25%), en raison d’homonymies de noms d’entreprises, et de difficulté à cerner les sous-secteurs des entreprises informatiques.

Références bibliographiques

Colucci S., Tinelli E., Giannini S., Di Sciascio E., Donini F. M., “Knowledge compilation for core competence extraction in organizations”, International Conference on Business Information Systems, Springer, p. 163-174, 2013.

Diaby M., Viennet E., « Développement d’une application de recommandation d’offres d’emploi aux utilisateurs de Facebook et LinkedIn », Atelier Fouille de Données Complexes de la 14e Conférence Internationale Francophone sur l’Extraction et la Gestion des Connaissances (EGC’14), Rennes, 2014.

Platt J. C., “12 fast training of support vector machines using sequential minimal optimization”, Advances in kernel methods, p. 185-208, 1999, https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/smo-book.pdf.

Quinlan J. R., C4. 5 : programs for machine learning, Elsevier, 2014.

Vendredis Quanti 2019-2020 : le programme du premier semestre

Les vendredis quanti sont un atelier de discussion et de travail collaboratif autour des méthodes quantitatives dans les sciences sociales. Chaque atelier est introduit par une présentation autour de questions relatives à la collecte et à l’analyse des données quantitatives. La seconde partie de chaque séance est consacrée à une discussion libre au cours de laquelle chacun·e peut soumettre au débat un problème de traitement de données ou travailler sur ses données en bénéficiant des conseils des autres participant·e·s.

Calendrier du premier semestre 2019-2020 :

Responsables : Sandrine Astor, Sofia Aouani, Gilles Bastin, Jean Finez et Pierre Mercklé.
Horaire : deux fois par mois, le vendredi de 14h à 16h.
Lieu : Salle de réunion de PACTE, Sciences Po Grenoble.
Contact : pierre.merckle@univ-grenoble-alpes.fr
Pour plus d’informations, abonnez-vous à la liste de diffusion
https://listes.univ-grenoble-alpes.fr/sympa/info/seminaire-vendredis-quanti
ou retrouvez-nous sur ce carnet Hypotheses
http://quantigre.hypotheses.org

Bienvenue !

L’objectif de ce carnet est de permettre la diffusion des informations et productions relatives au séminaire/atelier de discussion et de travail collaboratif autour des méthodes quantitatives dans les sciences sociales qui se déroule mensuellement à Grenoble depuis l’année dernière. C’est un séminaire de recherche en même temps qu’un atelier de coworking autour des usages des méthodes quantitatives dans les sciences humaines et sociales. L’année dernière, nous avons privilégié les présentations et les discussions de recherches en cours, et eu également quelques séances d’atelier libre. Cette année, avec l’aide d’une équipe d’animation élargie, nous avons envie de diversifier les formats, et d’alterner interventions extérieures, travaux grenoblois en cours, tutoriels, datathons, journées d’étude. Plusieurs équipes extérieures à celle du laboratoire Pacte, auquel nous sommes rattachés, nous ont questionné sur l’existence d’une page web afin de partager les éléments relatifs au séminaire. C’est comme cela que l’idée d’ouvrir un carnet hypotheses a surgi : cela nous permettra à la fois de communiquer sur le séminaire et de partager des méthodes et techniques relatives à l’usage des méthodes quantitatives en sciences sociales.