European Political Science Association (EPSA)

Une nouvelle association de science politique en Europe est en cours de formation. On peut déjà compter sur la page Facebook et le fil Twitter pour suivre ce qu’il s’y passe, et apparemment, il y aura une nouvelle revue à la clé (on ne s’y retrouvera bientôt plus).

Je ne saisis pas du tout les enjeux qui se trament derrière ces institutions. L’ECPR faisait a priori figure d’association de politistes européens jusqu’à présent.

Note sur le discours présidentiel

Dans les entretiens que je conduis pour ma recherche doctorale, les discours présidentiels apparaissent parfois comme des ordres directs de l’exécutif politique aux hauts fonctionnaires des directions ministérielles compétentes ; cette perception du discours présidentiel est remarquable parce qu’elle est partagée par tous, et parce qu’elle est incroyablement coercitive pour un simple acte discursif.

Le “discours de Grenoble” va certainement rester dans les annales de la présidence actuelle, et fournit une illustration assez parlante de ce phénomène. Les événements qui ont suivi ce discours (les réactions des groupes d’intérêt et leur couverture médiatique, les approbations, dissensions et recadrages ministériels, etc.) offrent aussi une bonne mesure du degré de politisation très variable des discours présidentiels.

En science politique, l’ouvrage collectif de Lagroye et Lacroix sur l’institution présidentielle reste une référence majeure sur ce thème de recherche. Le chapitre de Philippe Braud couvre bien les dimensions symboliques de la présidence. Je me surprends souvent à regretter que les travaux de Philippe Braud sur la psychologie politique des institutions démocratiques n’aient pas plus marqué la discipline—ou est-ce un biais de lecture personnel ? Je ne pense pas : Madeleine Grawitz avait salué Braud pour avoir formulé une proposition courageuse qui lui faisait courir le risque d’être accusé de psychologisme, et la discipline n’a pas couru ce risque collectivement, s’interdisant d’ouvrir un agenda de recherche sur ce thème, sinon de manière très périphérique (je pense aux travaux de Jon Elster, même si le parallèle est peut-être injustifiable).

Les sciences sociales ne manquent pas de théories permettant de parler du discours, et il y en a pour tous les goûts, de Bourdieu à Foucault en passant par Austin et certainement beaucoup d’autres que j’oublie de mentionner. Certaines de ces théories sont plus éthérées que d’autres, et certaines comme la performativité souffrent à mon sens d’une sur-application. En science politique, Vivien Schmidt a proposé un cadre d’analyse assez complet et plutôt robuste du discours, au moins sur ses premières prémisses.

(Je publie cette brève sans liens vers le discours et les événements cités ; je suppose que les lecteurs sont déjà familiers des faits.)

Calcul du khi-deux sous Excel, en version accélérée

Note : une version améliorée de ce billet sortira dans quelques semaines.

Un exemple classique en statistiques vient du manuel de Ronald A. Fisher, Statistical Methods for Research Workers, publié en 1925. L’exemple consiste à observer les couleurs de cheveux des filles et des garçons, et de chercher à savoir si la distribution de la couleur de cheveux est indépendante du sexe ou non.

Le texte du manuel est disponible en ligne. Voici la table 17 de l’exemple 11 :

Fisher table 17

La réponse à la question de l’indépendance statistique entre sexe et couleurs de cheveux est fournie par un test très simple, le “khi-deux” de Pearson, qu’il est également très simple d’obtenir avec R, comme indiqué dans l’ouvrage de Pierre-André Cornillon et al., Statistiques avec R.

L’ouvrage fournit le code, que je modifie à la marge et où je re-traduis les entrées vers l’anglais, à partir du manuel de Fisher :

data <- c(592,544,119,97,849,677,504,451,36,14)
tab <- matrix(data,ncol=5)
rownames(tab) <- c("Boys","Girls")
colnames(tab) <- c("Fair","Red","Medium","Dark","Jet Black")
k2 <- chisq.test(tab); k2

L’ouvrage montre aussi qu’il est très simple de transformer la matrice tab sous R pour obtenir plusieurs tableaux de fréquences utiles pour comprendre ce que l’on fait lorsque l’on calcule le “khi-deux”, de même qu’il est très simple d’obtenir ces tableaux sous Microsoft Excel.

Pour obtenir le “khi-deux” sous Microsoft Excel, la manoeuvre n’est pas beaucoup plus compliquée. Il faut commencer par obtenir le tableau des valeurs qui devraient être observées si le sexe et la couleur de cheveux étaient indépendantes l’une de l’autre.

Voici le tableau de Fisher, moins la dernière ligne, qui ne nous servira pas ici. Pour obtenir la valeur attendue (sous hypothèse d’indépendance) de garçons aux cheveux blonds (fair, dans la délicieuse appellation britannique), on multiplie le nombre total de blonds dans l’échantillon par le nombre total de garçons dans l’échantillon, en divisant par la taille totale de l’échantillon :

Pour obtenir le “khi-deux”, on construit un autre tableau, où l’on calcule le carré de la différence entre valeurs observées et valeurs attendues, divisé par les valeurs attendues. On n’a pas encore utilisé la moindre fonction Excel, excepté la fonction SUM pour calculer les totaux en lignes et en colonnes.

Le “khi-deux” est la somme de ces valeurs. Pour connaître le nombre de degrés de liberté (df), on multiplie (nombre total de lignes – 1) par (nombre total de colonnes – 1) dans notre tableau de valeurs, en utilisant les fonctions ROWS et COLUMNS. Il reste à calculer la probabilité que la relation observée soit accidentelle (p), avec la fonction CHIDIST qui demande le “khi-deux” et df comme arguments.

On a utilisé la version de base d’Excel, qui présente le seul avantage d’être installée sur presque n’importe quel poste informatique. Le test est plus rapide à produire sous R, STATA, SPSS ou avec un module d’analyse statistique pour Excel, mais cette version tient en un fichier Excel assez simple d’utilisation.


Question-bonus : pourquoi certaines cellules apparaissent en vert ? Parce que je “vérifie” toujours mes calculs avec un peu de formatage conditionnel. De la même manière, les bordures des tableaux me servent à “protéger” les tableaux contre les insertions sauvages de rangées ou de colonnes.


Mise à jour : bienvenue aux lectrices et lecteurs de la note de bas-de-page de la page 248 du manuel d’Yves Surel, La science politique et ses méthodes, Armand Colin, 2015 :) Disclaimer : l’auteur du billet fut l’étudiant de l’auteur du manuel.

Politique et santé publique, un cas d’espèce

Je n’ai pas le temps d’en faire la couverture intégrale, mais le débat engagé autour des centres d’injection supervisés est un cas d’espèce pour l’analyse des politiques de santé publique dédiées à la lutte contre la toxicomanie (à consulter en introduction, les travaux d’Henri Bergeron et de Patrick Peretti-Watel) :

  • Un bel événement déclencheur : la publication d’une expertise scientifique présentant un problème public et une solution qui semble avoir fait ses preuves à l’étranger, sa remise aux services ministériels compétents, et une annonce de la ministre en charge du problème (mots-clés : mise à l’agenda, expertise scientifique et intelligence gouvernementale1, apprentissage et diffusion internationale des politiques publiques2).
  • Une politisation rapide et multivariée, très saillante dans l’espace médiatique : opposition gouvernementale et positionnement des partis politiques3, opposition d’une partie des députés de la majorité parlementaire par voie d’appel4, oppositions dans la mairie de Paris et réactions diverses dans d’autres municipalités concernées (mots-clés : politisation, apprentissage et diffusion infranationale des politiques publiques5).
  • Une fabrication express de cadres interprétatifs et autres raccourcis cognitifs et symboliques : “salles de shoot”, “drogatoriums”, “anti-chambres de la mort” (façon Sarah Palin ?), et toutes sortes de remarques dans le droit fil de la rhétorique réactionnaire : thèse de la perversité (la mesure créerait un effet pervers en trivialisant l’injection et en encourageant des doses d’injection plus élevées), thèse de l’inanité (la mesure n’aura aucun des effets attendus), thèse de la compromission (des efforts précédents et des principes défendus jusqu’à présent)… (mots-clés : cadres mentaux, stigmate, rhétorique réactionnaire)

Pendant ce temps, au Mexique, un ancien président propose de légaliser la production, la distribution et la vente de drogues, pour mettre fin aux trafics des cartels.

Billet rédigé en écoutant une chanson du nouvel album de Laurie Anderson qui s’appelle “Only An Expert (Can Deal With the Problem)”.

  1. L’intelligence gouvernementale consiste notamment à tenir compte de l’opinion publique, très opposée aux centres d’injection supervisés. []
  2. À consulter, les travaux de Donley Studlar sur la diffusion des politiques de lutte contre le tabagisme, et sur le rôle des instruments internationaux comme la FCTC. []
  3. À noter que même le Front national, parti hors-système, s’est positionné, avec une ligne dure qui rappelle celle des “sidatoriums” pour “sidaïques” dans les années 1980. []
  4. Le rôle des médias est ici essentiel, étant donné qu’ils participent à rendre les préférences des acteurs connues de tous, ce qui peut influer sur l’analyse du phénomène. []
  5. À consulter, les travaux de Charles Shipan et Craig Volden portent sur le poids de ces phénomènes au niveau infranational. []

Nettoyage de données

Sur un billet précédent, j’ai évoqué le nettoyage de données sous TextMate ; en réalité, n’importe quel éditeur de texte brut permettant d’effectuer des substitutions de texte par expressions régulières fera l’affaire.

J’explique ma méthode ici car, comme le disait à juste titre un enseignant, en pratique, le data mining et le data cleaning sont tout aussi importants que ce que l’on enseigne en data analysis et data visualization. En revanche, le contenu de ce billet est un peu obscur si l’on ne connaît rien aux expressions régulières. Je tente d’expliquer mes manipulations ci-dessous, mais cela reste assez difficile à déchiffrer, et la seule manière d’apprendre consiste à reproduire l’exercice. La syntaxe utilisée pour les expressions régulières est la syntaxe Oniguruma, et j’ai réuni les commandes dans un fichier texte commenté.

Voici mon protocole :

  1. Copier-coller du fichier de base dans un document texte brut. Je ne mets ni la source, ni mon fichier, à disposition, pour ne pas gêner les personnes nommément citées dans le document.

    Dans ce qui suit, les lignes F: renvoient aux expressions de recherche (Find) et les lignes R: aux expressions de remplacement (Replace).

  2. Retrait des en-têtes (“Concours commun…”), des pieds-de-page (“Page X sur 41”) et des en-têtes de tableaux (“Candidat, Nom, Prénom, Rang, Affectation”) :

    F:(.*)\nCONCOURS (.*)\n(.*)Affectation
    R:{ø} (laisser vide)

    Comme ceci. On vient de retirer tout ce qui ne concerne pas directement les candidats. Les sigles ésotériques correspondent aux sélecteurs standard en expressions régulières pour “tout caractère en toute quantité” – (.*) – et retour à la ligne (\n). Les parenthèses sont superflues, je les garde pour la lisibilité. Les parenthèses servent à mémoriser le texte sélectionné par l’expression, on s’en sert plus bas.

  3. Retrait manuel du premier en-tête et du dernier pied-de-page dans le fichier, qui ont “résisté” au nettoyage précédent.

  4. Soyons malins : chaque candidat possède un numéro d’identification à cinq chiffres, et les rangs de classement s’arrêtent à 1025, donc à quatre chiffres… Donc si je passe une commande “insérer un retour à la ligne avant chaque nombre à cinq chiffres”, tout ira bien, je me retrouverai avec un(e) candidat(e) par ligne de fichier.

    F:([0-9]{5})
    R:\n$1

    Comme cela. [0-9]{5} capture le numéro du candidat, $1 le restitue après avoir inséré un saut de ligne (et je supprime un espace situé avant le numéro d’identification au passage, pour avoir des données vraiment propres).

  5. En regardant le résultat, j’aperçois de légères erreurs causées par le copier-coller sauvage depuis un document PDF : des espaces persistent là où j’ai besoin d’avoir des tabulations, comme ici… Je rectifie avec une commande qui transforme les espaces en tabulations entre le numéro d’affectation et le nom de famille du candidat.

    F:([0-9]{5}) (la ligne se finit par un espace)
    R:$1\t

    Vous l’avez deviné, \t insère une tabulation.

  6. Soyons précis… Je remarque qu’il reste des espaces là où l’on devrait avoir une tabulation, entre le rang du candidat et le choix d’établissement. Je remarque cela grâce aux caractères invisibles, affichés dans cet exemple. Un petit défaut à supprimer, donc.

    F: ([0-9]) (la ligne se finit par un espace)
    R:$1\t

    C’est la même manipulation qu’au-dessus… et j’obtiens une soixantaine de remplacements. Heureusement que je l’ai vu, cela aurait gravement affecté mon import Excel.

  7. Restons méfiants… En regardant les espaces, j’aperçois le même problème de l’autre côté du rang, entre le prénom et le rang. Même manipulation, donc, mais “à l’envers”.

    F: ([0-9]) (avec un espace avant le rang)
    R:\t$1

    La tabulation est rajoutée avant le rang. CQFD. L’éditeur me prévient qu’il a effectué quelques remplacements de plus.

  8. Je pense avoir terminé : je sauvegarde en .txt et importe sous Excel au format tab-delimited.

    Je trouve visuellement deux erreurs sur 1025 lignes de données, que je corrige à la main ; nettoyage réussi et terminé, l’analyse peut commencer ! Temps total de la manipulation : environ cinq minutes. La même opération effectuée “manuellement”, ligne par ligne, sous Excel, aurait pris très longtemps…

J’ai déjà nettoyé de très gros volumes de données par expressions régulières : ce système est extrêmement flexible, et l’on peut monter dans des gammes de complexité assez inouïes (ce qui est présenté ici correspond vraiment à une pratique très basique). Je ne suis naturellement pas payé par Macromates pour vanter les louanges de leur logiciel ; encore une fois, tout logiciel avec caractères invisibles et expressions régulières fera l’affaire (et c’est encore mieux si le logiciel propose aussi la colorisation de syntaxe ainsi que des raccourcis clavier efficaces).

À défaut d’un éditeur séparé, on peut utiliser les expressions régulières directement sous R ou sous Stata.

(Question-bonus : pourquoi se donner tant de mal et ne pas se contenter de remplacer les espaces par des tabulations ? Parce que les noms de famille incluent aussi des espaces…)

Concours commun dans six Instituts d’Études Politiques

Les Instituts d’Études Politiques (IEP) sont des établissements sélectifs, mais le sont-ils dans la même mesure ? On pense savoir que Sciences Po (IEP Paris) est plus sélectif que les IEP de province, mais l’on connaît mal le degré de sélectivité de chaque établissement.

Il faudrait connaître les taux d’admission de chaque établissement, mais même cette donnée sera biaisée : faut-il diviser le nombre de reçus par le nombre de personnes s’étant inscrites au concours, ou par le nombre de personnes ayant passé le concours, sachant qu’il y a des défections entre les deux étapes ? Et comment tenir compte du fait que les IEP n’attire pas le même nombre de candidatures, pour des raisons diverses comme l’effet du prestige ou la proximité géographique ?

Même sans chercher à contrôler ces variables, on peut tout de même jeter un coup d’oeil aux données constituées par un échantillon de six IEP de province (sur un total de huit ; il manque Grenoble et Bordeaux1) qui a décidé de faire passer un concours commun aux candidats.

Les données sont publiques et disponibles en ligne. Je les ai nettoyées sous TextMate2, pour pouvoir en faire un fichier importable sous Microsoft Excel. Les noms et prénoms des candidat(e)s accepté(e)s – qui récoltent au passage mes félicitations – ont été retirés du fichier (disponible), par précaution3.

Première étape, une fois l’intégrité des données vérifiée4, sortir quelques statistiques descriptives. Le concours commun a reçu 1025 candidats, qui ont formulé des choix d’affectation dans six établissements5. Les IEP ne recrutent pas le même nombre de candidats : Aix, Toulouse et Lyon recrutent plus de 180 étudiants, alors que Lille en recrute 140, beaucoup moins que Strasbourg et Rennes, qui en recrutent 165 et 169 respectivement (moyenne : 170, médiane : 174).

Je voulais savoir si les mieux classés au concours commun avaient des choix d’affectation particuliers, c’est-à-dire, savoir si le rang au classement et le choix d’affectation étaient liés6. Un peu comme pour l’examen national classant de l’internat (qui n’est pas un concours, la comparaison est donc limitée), y a-t-il des sites “de préférence” chez les classés en fonction de leur rang ?

Sous Excel, on peut facilement recoder le rang des candidats acceptés (re-bravo) en déciles D1-D107, pour pouvoir obtenir ensuite un tableau croisé “décile x affectation”. Avant même de passer aux calculs de fréquence, on aperçoit déjà, en coloriant la densité par décile et par établissement, que les déciles supérieurs se rendent à Lille et Strasbourg, et que les derniers déciles vont dans les autres IEP, et en particulier à Toulouse pour le dernier décile.

Sous Excel toujours, un test de khi-deux8 vérifie très rapidement que la relation est statistiquement significative (p << .01). En regardant un peu le détail du calcul9, on voit que l’IEP de Lille concentre une fraction importante de la déviation par rapport à l’hypothèse nulle, de même que la distribution des candidats en fin de classement.

On retrouve toutes ces observations en visualisant la répartition des candidats affectés dans chaque établissement par décile de classement. Un effet intéressant est que l’établissement qui recrute le moins, Lille, récupère le plus d’étudiants dans les deux premiers déciles, alors que l’établissement qui recrute le plus, Toulouse, récupère le plus d’étudiants en bas du classement, étant donné qu’il récupère le dernier décile en entier10.

Le graphe précédent n’étant pas très lisible, en voici un plus explicite. Ici, je ne visualise que les premiers et derniers quintiles (D1-D2 et D9-D10), et l’on aperçoit mieux l’observation précédente : Lille, Lyon et Strasbourg ne recrutent que dans le haut du classement, alors que les autres établissements recrutent aussi dans le bas du classement.

L’aberration déjà soulignée permet de donner un exemple de lecture : tous les classés du dernier décile sont affectés à Toulouse—ce qui peut s’expliquer si les inscrits ayant demandé Toulouse en premier ou seul choix, selon les modalités du concours, étaient très supérieurs aux inscrits ayant demandé d’autres établissements. On ne peut pas interpréter les résultats beaucoup plus loin, car sans les données sur les inscrits, on peut pas interpréter plus avant les préférences des candidats.

Mise à jour : un boxplot offre une autre visualisation des différences de distribution selon le choix d’affectation. L’information est très stylisée dans mon boxplot sous Excel, qui montre bien la distribution des choix en ordonnant les établissements par leur médiane, puis par leur quartile inférieur, mais où je dessine tout de même des quartiles sur une distribution de déciles11. Un lecteur a fait quelque chose de plus correct en passant sous R pour faire un boxplot plus correct sur les rangs bruts12 – merci Étienne ! Je rajoute aussi la fonction de densité, toujours réalisée sous R par Étienne, qui donne une autre visualisation également parlante13).

Une dernière visualisation par Claire Lemercier, avec la fonction stripcharts sous R :

Stripchart (R)

Encore une fois, je ne déduis rien des données, car il serait trop risqué de poser une hypothèse nulle sur les ratios inscrits/acceptés. Je n’ai pas pu utiliser la liste complémentaire pour voir si les mêmes répartitions apparaissent, car elle ne communique pas les affectations pressenties.

Pour aller un peu plus loin, voici quelques observations sur le sexe des candidat(e)s accepté(e)s, obtenues grâce au codage de Baptiste Coulmont—merci Baptiste !

Les femmes sont majoritaires à 55% parmi les reçus, et c’est une hypothèse basse14. La proportion des femmes par décile ne montre rien de vraiment particulier : l’histogramme15 montre certes des variations, mais elles sont assez limitées (il ne faut pas se laisser abuser par l’échelle verticale) et ne semblent rien indiquer sinon une distribution assez aléatoire. Un test de khi-deux “sexe*décile” le confirme (p > 0.05).

Le choix d’affectation, en revanche, est plus intéressant : parmi les femmes, les établissements les moins prisés sont Rennes, Strasbourg et Lille (13-14%), et les établissements les plus prisés sont Aix, Lyon et Toulouse (18-19%). En conséquence, la “féminisation” des promotions 2010-2011 dans ces établissements sera inégale16. Si l’on s’exprime en ratio H/F, la parité est quasiment établie à Strasbourg et à Rennes, alors que le ratio dépasse 2:3 à Toulouse et Lyon17.

La relation entre le sexe et le choix d’affectation donne des différentiels selon les établissements, mais la relation “sexe*choix” n’est pas statistiquement significative. Je m’arrête là pour les résultats, et le fichier est disponible pour les curieux. J’en profite pour m’excuser si le billet est rédigé de manière assez anarchique : j’ai rédigé en dépouillant, en rajoutant trop de notes de bas de page, et je n’ai harmonisé la présentation des graphiques qu’à la marge18. Enfin, je remercie deux autres blogueurs, Baptiste et mon co-blogueur Joël, pour les ajouts, retouches et commentaires.

Nouvelle idée : plusieurs suggestions ont été émises pour interpréter les données. On pourrait effectivement inclure la distance depuis Paris, en supposant que les candidats parisiens pèsent pour beaucoup dans l’échantillon et ne regardent que les prix des billets de train. Pour faire les choses bien, il faudrait une régression logistique ; c’est peut-être faisable sous Excel en utilisant Solver, mais je n’ai pas assez creusé l’outil et cherche aussi à me limiter au package Excel de base, qui atteint déjà ses limites sur les boxplots, avec des déviations selon les versions et les plateformes.

  1. Je me souviens qu’un autre concours commun avait eu lieu il y a quelques années entre les établissements du sud-est. La logistique de ces concours doit être assez impressionnante. Apparemment, c’est la première fois que ces données sont publiquement disponibles, suite à un problème technique dans la diffusion individuelle des résultats (mise à jour : Pierre Mathiot, directeur de l’IEP de Lille, précise en commentaire que cela participe aussi à un effort de transparence). []
  2. Si un lecteur s’intéresse au “data cleaning”, je peux rédiger un petit topo sur les expressions régulières à partir de cet exemple. []
  3. J’ai remarqué que les dix premières places comptaient au moins sept filles ; après un échange avec Baptiste Coulmont, celui-ci a généreusement codé le sexe, qui apparaît dans le fichier. []
  4. N = 1025 candidats, aucune donnée manquante (vérification avec la fonction COUNTBLANK). []
  5. Les candidats ont ordonné les établissements, mais ces données n’apparaissent pas dans le fichier, qui donnent juste l’affectation définitive. []
  6. J’ignore plusieurs facteurs dans mon raisonnement : les choix d’affectation multiples, déjà évoqués, mais aussi les possibles biais de notation des copies, et surtout, le ratio acceptés/inscrits parmi les candidats ayant demandé chaque établissement. Du coup, le terme de “préférence” est usurpé un peu plus loin. []
  7. Fonctions INT et PERCENTILE pour les curieux. []
  8. Je passe sur le détail du test, mais il s’effectue très simplement sous Excel, dès que l’on connaît un peu l’écriture des fonctions, la fonction CHIDIST et la formule du khi-deux. []
  9. Le graphique ci-dessous utilise une double règle de formatage conditionnel qui montre les cellules contribuant le plus au score de khi-deux (premier et deuxième quartiles, automatiquement calculés avec la fonction PERCENTILE. []
  10. On ne peut pas conclure que le nombre de places a des effets “élitistes”, car j’ai éliminé du raisonnement le ratio inscrits/acceptés ; l’aberration du décile D10 toulousain a probablement une explication. []
  11. Je pensais que les “quartiles de déciles” seraient visuellement plus parlants que les “quartiles de rangs bruts”, mais j’ai été corrigé là-dessus. Le fichier de données a été mis à jour avec le graphique et les données (feuilles DATA.5NUM et G_DECILE.BOXPLOT). Les données pour chaque établissement sont extraites avec un filtrage par colonnes. Sous Excel 2008 Mac, la meilleure méthode est malheureusement moins efficace que la meilleure méthode Excel 2007 PC, et la médiane apparaît de manière non conventionnelle (elle est dessinée comme un outlier), mais j’ai quand même réussi à jouer sur les fonctions graphiques d’Excel pour obtenir un résultat compatible à 80% avec un graphique boxplot standard. []
  12. La juste remarque d’Étienne : “Le seul problème avec un boxplot (a fortiori avec un boxplot sur des déciles), c’est que ça « force » la visualisation dans un cadre entre 25% et 75% de l’effectif (c’est donc très approprié pour une gaussienne, mais moins pour ce que tu as, cf. les bosses de chameau, les distorsions accentuées vers la queue, etc.). En fait, ce qui m’a mis la puce à l’oreille, c’est que Lille n’avait pas de upper whisker. D’où la fonction de densité.” []
  13. Le code sous R :
    # bow-whisker plots by factor level, x-axis reordered by median
    bwplot(Rang~reorder(factor(Affectation), Rang, median),data=dat, main="Choix de l'IEP selon le classement au concours 2010", xlab="IEP d'affectation", ylab="Classement", notch=T)
    # kernel density plots by factor level
    densityplot(~Rang|Affectation, data=dat, main="Choix de l'IEP selon le classement au concours 2010", ylab="Fonction de densité" []
  14. Il y a ambiguité sur 4% des candidats, qui portent des prénoms étrangers ou mixtes, comme Camille. Baptiste, qui connaît la distribution sexuée de ce prénom par ses travaux, suppose que ces “Camille” sont principalement des filles. En définitive, on peut arriver à une hypothèse de 57% de filles sans trop se planter. []
  15. L’histogramme austère mais correct est obtenu en supprimant les couleurs et les écarts inter-colonnes (Format Data Series > Options > Gap width) sous Excel. []
  16. “Promotion” désigne donc les effectifs de première année. J’évacue la possibilité que ces établissements recrutent aussi par des voies parallèles hors-concours, comme les conventions ZEP ou autres dispositifs apparentés. []
  17. J’avais rapidement évoqué la parité électorale en France à partir de données INSEE, mais les graphiques comme l’analyse étaient encore plus limitées dans ce billet datant d’il y a un an et demi. []
  18. Je suis d’ailleurs très preneur de tout conseil pour mieux structurer la présentation des tables et des graphiques sous Excel. []

Ordinateurs et prise de notes, suite

Le débat ouvert sur la prise de notes par ordinateur en cours magistral a déjà bien vécu, et a même reçu une postface, mais un nouveau commentaire m’incite à rouvrir temporairement les échanges.

Cédric Eyssette signale cet article de Kevin Yamamoto, “Banning Laptops in the Classroom: Is it Worth the Hassles?”, paru en 2008 dans une revue américaine consacrée à l’enseignement en faculté de droit.

L’auteur défend sur 46 pages la suppression des ordinateurs dans un cours qui ne correspond pas exactement au cours magistral, mais qui y ressemble. Il examine en détail des arguments déjà évoqués dans le débat, en citant très extensivement l’expérience de plusieurs autres enseignants américains.

Un argument de l’auteur consiste à faire remarquer que les ordinateurs ont des conséquences négatives au-delà des utilisateurs d’ordinateurs eux-mêmes, ce que je n’avais pas nécessairement remarqué pour ma part. Il explique ensuite comment il a procédé, avec prudence (page 29-sq.), pour interdire les ordinateurs en cours.

Son argumentaire est très riche, et recoupe souvent ma position : par exemple, “ I conceded that taking notes on one’s computer may be easier than by hand, although after doing the research for this paper I do not believe that it is necessarily better” (page 30).

La blogosphère a très largement commenté l’article, plutôt pour en dire du bien, même si les enquêtes menées en classe montrent que le débat est clivant (ici également), et qu’il y a des positions contradictoires fondées en raison. Le débat montre aussi que l’attachement aux ordinateurs tient aussi à la politique d’équipement des établissements.

Ma position actuelle contient une bonne dose de cynisme. La prise de notes par ordinateur s’apparente à la présentation de l’actualité par la télévision : je peux concevoir qu’elle s’insère dans un parcours étudiant avec des effets positifs, mais sous des conditions initiales qui ne correspondent pas au profil majoritaire des étudiants. Je ne vais pas interdire aux étudiants de regarder les journaux télévisés, même si je les incite régulièrement à employer d’autres sources d’information, et même si je constate que cette pratique, potentiellement utile à la réflexion, est le plus souvent handicapante pour eux.

Partant de là, je peux rajouter une section dans mon cours sur l’intérêt de prendre des notes de la manière la plus appropriée, tout comme j’explique comment je pense qu’il faut apprendre à s’informer lorsque l’on est étudiant. Ça ne mange pas de pain, et c’est paternaliste sans trop l’être, car ce n’est pas coercitif. C’est un mécanisme incitatif qui bénéficiera aux étudiants les mieux dotés face à l’institution universitaire, mais on ne me demande pas, finalement, de faire autre chose que de l’élimination différée.