Bonne année

Cette année, je fais plus court, et surtout un peu moins pessimiste que l’an dernier ou l’année d’avant, sous la forme d’une wishlist pour 2019.

Encore moins d’interactions via Internet

Parce que j’avance inexorablement vers l’âge où l’on devient officiellement un vieux con.

Parce que pour ma génération, le pic de sociabilité sur Internet a été atteint avec les forums (phpBB), les applications de chat (Adium, “MSN”), et les blogs (Dotclear, WordPress). Tout ce qui a suivi a consisté à monétiser ces interactions, ce qui impliquait de les centraliser, puis de les déformer jusqu’à leur faire prendre une forme intéressante pour les publicitaires.

Certains des “réseaux sociaux” actuels, Twitter par exemple, sont à la limite de l’acceptable quant aux manipulations qu’ils font subir aux timelines des utilisateurs ; la plupart des plateformes sociales, à commencer par Facebook et Youtube (qui symbolise à lui seul la chute de Google), ont déjà, de mon point de vue, franchi cette limite1.

Plus de temps pour les statistiques

Parce que j’ai une longue, longue liste de trucs à lire sur le sujet, et parce que la vague de résultats spectaculaires produits par les techniques dites de “deep learning” (de machine learning, ou d’intelligence artificielle dite “faible”, comme vous voulez) commence à produire une autocritique de qualité :

Vidéo trouvée grâce au toujours excellent Edward Tufte.

Au passage, pour ceux d’entre vous qui, comme moi, ont besoin de voir la même chose écrite dans plusieurs langages (de programmation) pour commencer à y voir clair, il y a désormais une bonne codebase de réseaux neuronaux en JavaScript, brain.js. Trouvé grâce à Hacker News, l’un de ces réseaux semi-sociaux qui reste comestible aujourd’hui2.

Gagner un peu plus d’argent

Parce que j’ai besoin de pouvoir en envoyer un peu plus que je ne le fais déjà aux quelques causes qui me semblent soutenables de cette manière. Il y a quelques temps, j’ai réinvesti la quasi-totalité de mon budget “presse” dans quelques associations, dont la Ligue des Droits de l’Homme. Mais aujourd’hui, il y a aussi eux :

Les collectifs et organisations qui luttent contre la faute morale inexcusable qui s’incarne dans les politiques anti-migratoires (aussi bien actives que passives, nationales ou européennes) ont besoin d’aide : s’informer, sensibiliser, soutenir ; faire des dons matériels ; participer à l’accueil d’urgence ou le soutenir financièrement ; donner un coup de main ponctuel.

Voilà qui devrait suffire pour un an. Meilleurs vœux et à bientôt !

  1. Instagram est un cas d’étude différent, qui relève plutôt à mon sens d’un problème d’irrigation cérébrale. []
  2. De même pour les réseaux “à peine sociaux”, voire “anti-sociaux”, que sont, par exemple, Pinboard, Soundcloud ou Tumblr—tous beaucoup moins touchés par le showbiz et par la stupidité que celui-ci trimballe dans ses bagages. []

Annals of Youtube Science 2(4): Philosophie et technique des essais cliniques

On reprend la série, en bifurquant légèrement (mais légèrement seulement) par rapport aux enquêtes, le thème le plus traité dans les quelques billets de cette année.

Découvert grâce à une amie, les cours et conférences de Bruno Falissard (chaîne Youtube), qui couvrent de très nombreux sujets ayant trait à l’utilisation des statistiques en (bio)médecine. Sa série sur les essais cliniques, et donc l’évaluation des thérapies, est très intéressante1 et facile à suivre :

Bruno Falissard, qui est aussi l’auteur d’un manuel d’utilisation de R pour traiter des données biomédicales récoltées par questionnaires, est très pédagogue, et même souvent amusant lorsqu’il pointe les différents points aveugles des méthodes que l’on utilise pour fabriquer des résultats cliniques estampillés “gold standard“.

  1. À quelques approximations près dans le texte : Claude Bernard en mécaniste, par exemple, c’est peut-être un peu trop rapide. On pourra aussi contester certaines techniques évoquées par l’auteur, comme les corrections de Bonferroni, mais ce n’est pas de la faute de Bruno Falissard, qui reconnaît leur côté très “frustre” (mais qui est étonnamment plus dur, je trouve, avec les méta-analyses par réseaux. []

Statistics and the Political Sociology of Quantification, version 2018

Ce blog évoque assez régulièrement, et parfois conjointement, la quantification comme activité sociale d’une part, et les statistiques (ou l’analyse de données) d’autre part—sujets que j’ai pu combiner, ce semestre, sous la forme d’un enseignement de Master :

La formule du cours (moitié atelier pratique, moitié exposés) est encore un peu trop baroque à mon goût, et la bibliographie est excessivement francophone, en particulier au vu du public du Master visé, très internationalisé ; mais c’est la première version que je mets en ligne1.

Le versant qualitatif du cours est un simple remâché de l’agenda scientifique identifié il y a déjà bien longtemps par le regretté Alain Desrosières2 ; la version actualisée de cet agenda est, de mon point de vue, celui d’Espeland et Stevens, qui est le seul texte, avec un chapitre sur le jargon des statistiques, que je demande pour ce cours.

Le plan donne mes sources, dont un blog dont j’ai déjà parlé, celui du projet ACQUA (ex-AGLOS). J’ai encore des dizaines de dossiers de références diverses et variées à verser dans le plan de cours, ou directement dans le projet, qui possède un volet bibliographique. Tout ceci devra néanmoins attendre que les copies arrêtent de pleuvoir…

  1. J’ai déjà expérimenté avec une formule similaire l’an dernier. []
  2. Et par d’autres, bien sûr : Donald Mackenzie, Theodore Porter, James C. Scott, Libby Schweber, Harry Woolf… []

Régressions à la radio

C’est soit un signe des temps, soit une inclination personnelle, soit les deux, qui m’a / m’ont amené, cet été, à relever la mention, dans deux émissions de radio consécutives, des modèles statistiques dits “de régression” :

  • Par Jean-Louis Fabiani, dans l’émission La suite dans les idées de France Culture, où il cite les résultats d’un papier sur le vote nationaliste en Corse1 ; et
  • Par Alexis Spire, dans l’épisode suivant de la même émission, où il parle des ses propres travaux (sur le consentement à l’impôt) en citant les résultats “toutes choses égales par ailleurs” d’une régression logistique.

Ni l’animateur de l’émission, ex-universitaire, ni les invités, universitaires tous les deux, n’ont expliqué à l’antenne ce que sont ces modèles, supposant ainsi une forme de familiarité de l’auditeur avec cette technique d’obtention de résultats quantifiés. À d’autres moments des mêmes émissions, la même familiarité supposée permet aux intervenants de citer, par exemple, la méthode ethnographique.

Je doute que l’auditeur standard de France Culture connaisse grand chose aux modèles de régression, même si l’expression “toutes choses égales par ailleurs” sert d’introduction intuitive à la logique de ces modèles2. Qu’importe, je trouve intéressant que l’on suppose, de plus en plus souvent et au moins pour les publics avertis, une connaissance au moins minimale des techniques de modélisation statistique.

Prochaine étape : expliquer ce que signifie “apprentissage machine”… Le résultat risque d’être intéressant, vu que dans une immense majorité des cas, l’expression signifie “plus d’incertitude pour plus de résultats”.

  1. Fichier PDF. Le papier n’est pas cité précisément : je suppose que c’est le bon, mais n’en suis pas sûr. []
  2. L’expression a été critiquée, dans la mesure où elle semble impliquer qu’un modèle de régression produit des scénarios absurdes de type “chameau au Pôle Nord” ; il me semble que la critique vient de Jean-Claude Passeron et Jacques Revel (reprenant, ou répondant à, François Simiand), mais vu la faiblesse de la critique, il vaut mieux que la source précise reste inconnue. []

Annals of Youtube Science 2(2): Les échantillons non probabilistes

Ce blog peine à sortir de sa torpeur éditoriale, et il s’est déjà écoulé six mois entre l’épisode 2(1), qui parlait lui aussi de sondages, et celui-ci. Plus d’activité à la rentrée, promis.

Le Pew Research Center (chaîne Youtube), déjà évoqué dans l’épisode 1(14) sur les échantillons aléatoires, vient de publier cette vidéo sur les échantillons non probabilistes, c’est-à-dire la vaste majorité des échantillons :

Les enquêtes dites “opt-in”, menées sur des échantillons de volontaire via des plateformes Web, sont un exemple d’échantillon non probabiliste ; les enquêtes “par quotas” en sont un autre, très différent, mais dans les deux cas, les calculs des marges d’erreur, les “erreurs standard“, cessent d’être paramétriques – les erreurs standard cessent précisément d’être “standard”1.

Ce que montre la vidéo ci-dessus, c’est qu’il est tout à fait possible de s’engager dans un travail de collecte de données sur une base non probabiliste, puis de mettre en place la recherche méthodologique nécessaire pour chercher les erreurs non paramétriques à y apporter pour pouvoir en généraliser les résultats2.

C’est la seconde étape qui fait souvent défaut dans les sondages par quotas publiés par les instituts privés, ou dans leur utilisation pour assembler certaines enquêtes scientifiques comme l’European Values Survey (EVS). J’en ai déjà parlé à multiples reprises.

D’une certaine manière, la vogue actuelle pour les “big data” et la “data science” contourne quasi-complètement cet obstacle, en faisant reposer l’analyse sur des échantillons sciemment non représentatifs (les utilisateurs de Twitter, par exemple), et en travaillant sur “la totalité des données disponibles”, bien qu’empiriquement, cette “totalité” reste dans la plupart des cas un… échantillon des données (Twitter, toujours).

  1. En économétrie ou en statistiques appliquées, on peut faire toute une carrière sur la correction de ce problème. Dans le reste des sciences sociales, on peut faire toute une carrière en ignorant – plus ou moins volontairement – ce problème. []
  2. L’inférence visera généralement la population générale, souvent adulte, et en science politique, encore plus souvent restreinte au corps électoral. On ne manquera toutefois pas de faire commencer le communiqué de presse par “Les Français”. []

Annals of Youtube Science 1(14): Survey Methods 101

Le Pew Research Center (chaîne Youtube), qui fournit d’excellentes données socio-démographiques sur la population américaine, a lancé une série de vidéos sur les méthodes d’enquête, dont voici le premier épisode sur l’échantillonnage aléatoire :

Cette vidéo tranche avec les erreurs et les approximations que l’on trouve malheureusement dans plusieurs autres descriptions “grand public” des méthodes d’enquête, ce à quoi il faudrait faire quelque chose, mais le temps manque.

Les autres vidéos de la série “Methods 101” du Pew Research Center sont identifiables via leur blog Fact Tank, également présent sur Twitter.

Et pour un autre exemple de très bonne vidéo explicative sur les difficultés des enquêtes en population générale, voir “How Pew Research Center Conducted Its 2017 Survey of Muslim Americans”, au sujet de cette enquête.

Analyse de données en SHS : matériau Quantilille 2017 et autres bonnes adresses

Un bref billet pour rediriger nos lecteurs estivaux vers le blog d’ElementR, où Laurent Beauguitte a mis les slides qu’il a présentées, avec d’autres, à l’école d’été Quantilille il y a quelques semaines :

Les slides sont livrées avec plein de code R, ce qui vous permet de revivre la formation chez vous, avec un verre de jus de fruits à la main. Que demande le peuple ?

Quelques remarques

  • La séance sur l’analyse multivariée se concentre en réalité (et à moins que j’ai parcouru le code trop vite) sur la seule analyse géométrique, récemment très bien décrite par Julien Duval dans un long article sur le nouveau portail Politika, mais dont on ne dira jamais assez qu’elle est encore plus justiciable des accusations de “boîte noire” que l’analyse par régression (linéaire ou pas).

    Cette remarque n’est pas une critique du choix de l’auteur de ce module, qui utilise, de surcroît, l’excellent package FactoMineR. Ma remarque s’adresse plutôt aux petits rigolos qui s’amusent, dans certaines conférences de sciences sociales, à parler de “boîte noire” au sujet des analyses par régression, alors même qu’à peu près personne, parmi les utilisateurs de l’analyse géométrique, n’est capable d’expliquer, par exemple, comment s’extrait un eigenvector. À l’inverse, le principe d’une dérivée partielle est très vite compris et très fréquemment maîtrisé parmi les “boîte-noiristes” de la régression.

  • La séance sur la cartographie utilise le sublime package cartography de Timothée Giraud, déjà mentionné il y a peu. Excellente nouvelle par ailleurs : le package cartography se fondera, à partir de sa version 2.0, sur le package sf.

  • La séance sur l’analyse textuelle utilise plein d’outils, dont le plugin R Commander “R.TeMiS”, qui dispose d’un blog sur Hypothèses.

    Je suis personnellement très peu enthousiaste à l’idée d’utiliser R via R Commander, dans la mesure où cela me semble éloigner l’utilisateur de l’objectif de reproductibilité des résultats, et de compréhension de la tambouille computationnelle qui les sous-tend. En même temps (expression à la mode), je n’y connais fichtre rien en analyse textuelle.

  • La séance sur les réseaux utilise notamment le package igraph, évoqué sur ce blog à plusieurs reprises. J’aurais également recommandé le package tnet, pour les situations, plus fréquentes que l’on ne le pense généralement, où il faut manipuler des réseaux pondérés.

Ce billet me fait réaliser que je n’ai pas contribué à “Introduction à l’analyse d’enquêtes avec R et RStudio” depuis bien longtemps, et que mon propre matériau de formation à R (en anglais, mais également pour des débutants en sciences sociales), qui date de 2013, a très sérieusement besoin d’une mise à jour… Voyons ce que j’arrive à faire cet été.

Enfin, pour terminer, je tiens à citer la désormais légendaire Introduction à R [et RStudio] de Julien Barnier, que les utilisateurs francophones de R seront nombreux à avoir lu. Julien Barnier enseignait dans le module Quantilille recensé dans ce billet.

Bonne lecture !

Annals of Youtube Science 1(11) : Sur la science des données

Numéro un peu spécial des Annals, car ce n’est pas une (ou plusieurs) conférences que je recommande ici, mais une série d’interviews, les “DataChats” de la plateforme de formation DataCamp (chaîne Youtube), qui propose des cours de Python et de R en ligne. Les entretiens sont réalisés avec certains des enseignants qui font le catalogue de cours de DataCamp, et qui est probablement l’un des meilleurs catalogues de cours en ligne pour se former en “science des données”1.

Voici le sixième épisode de la série, avec la statisticienne Jo Hardin, qui présente son cours sur le bootstrapping :

Je vous conseille vraiment toute la série d’entretiens (15-20 minutes chacun), dont voici les cinq premiers :

  1. Max Kuhn, le créateur du package R caret

  2. Garrett Grolemund, l’un des data scientists de RStudio, et le co-auteur, avec Hadley Wickham, de R for Data Science

  3. Charlotte Wickham, qui a un superbe CV d’enseignante en statistiques

  4. David Robinson, data scientist chez Stack Overflow, le site de programmation où quelqu’un a (presque) toujours une réponse à votre question (si elle est bien posée), et l’auteur d’un de mes packages R favoris, broom (brève présentation)

  5. Ron Pearson, qui donne un cours de visualisation de données avec R, et qui a tout un tas de concepts intéressants à partager (in-liers, disguised missing data), en plus d’une réflexion très intéressante sur le machine learning.

  1. Je n’ai évidemment aucune action chez DataCamp, mais j’aime beaucoup leur catalogue (sans rien avoir acheté chez eux), et j’apprécie d’autant plus qu’ils ont mis en ligne une version “light” de leur plateforme d’enseignement. []

Enseigner le “quanti”

enseigner-le-quanti Vous l’aviez vue annoncée sur le blog Quanti / Sciences sociales : hier avait lieu la journée d’étude “Enseigner le quanti dans le supérieur”, à l’initiative d’un comité d’organisation qui incluait notamment Pierre Mercklé et Anton Perdoncin, qui s’occupe du Séminaire de quantitativisme réflexif.

Cette journée m’a renvoyé quelques années en arrière : à Édimbourg, en 2008, les enseignants de méthodes quantitatives avaient créé un petit groupe de réflexion de quantitativistes, dont la liste de discussion s’est tarie en 2013. La journée d’étude d’hier avait une toute autre dimension : il devait y avoir 75 enseignants d’un peu partout.

La réflexion portait sur l’enseignement des méthodes quantitatives, assez rarement évoqué sur ce blog de manière frontale, sauf peut-être indirectement par les utilisations de logiciels comme Microsoft Excel (il y a longtemps), Stata (pendant plusieurs années) ou R (depuis quelques années).

La journée était très bien fichue, et je vous conseille vivement de garder un oeil sur le blog Quanti / Sciences sociales pour en récupérer ce qui en ressortira. L’enseignement du “quanti” est un secteur intéressant à plus d’un titre, et ce qui s’y produit en termes de pédagogie vaut peut-être un détour particulier.

De mon côté, j’ai retenu les points suivants :

  • L’enseignement du “quanti” est profondément par le stigmate d’être, au mieux, inintéressant (voire traumatique) pour un public qui conçoit les sciences humaines comme des humanités littéraires.
  • Le premier thème qui revenait systématiquement dans toutes les discussions était toujours celui du support informatique (du logiciel à utiliser). La seule transition qui revient tout le temps est celle vers R.
  • Le second thème qui revenait de manière latente était celui des données : des conditions éthiques et juridiques de l’accès aux données, mais aussi du type d’enquête à employer, et de ce qu’il serait possible d’envisager à l’avenir.

Le dernier point est intéressant, parce qu’il montre bien qu’il y a une forme d’ingéniérie (voire même un style cognitif) du maniement de données, qu’elles soient quantitatives ou pas, d’ailleurs—ce qui ouvre la perspective d’un enseignement du “quanti” assez proche des compétences regroupées sous l’intitulé hybride data science.

La conséquence pour l’enseignement me semble être qu’il faut envisager trois échelles parallèles de progression pédagogique :

  • une échelle d’apprentissage technique, celle de l’outil informatique et du logiciel utilisé, en particulier dès qu’il s’agit de rendre les analyses réplicables ;
  • une échelle d’apprentissage formel, qui consiste, d’une manière ou d’une autre, à faire comprendre ce que l’on mesure, et avec quelle marge d’erreur ; et
  • une échelle d’apprentissage disciplinaire, qui consiste à (faire) comprendre comment les deux apprentissages précédents contribuent à celui de le discipline.

Sur ce dernier point, mais Étienne l’a exprimé mieux que moi, la contribution du “quanti” aux sciences sociales passe en partie par sa capacité à fournir des données d’enquête, mais aussi des données intégralement numériques (initialement produites sur Internet).

Enfin, je profite de ce billet pour citer le blog ElementR, que je ne mentionne pas assez souvent. Le blog est animé par une équipe d’utilisateurs de R venant de plusieurs laboratoires de sciences sociales. À souligner dans leur excellente série de tutoriels, l’ouvrage (gratuit) “R et espace”, pour apprendre la cartographie et l’analyse spatiale avec R.

Mise à jour : les slides des interventions sont en ligne !

Open data et politique de santé

L’apéro Science & Web #33 de jeudi prochain à La Penderie sera consacré à l’open data en santé, qui pose toutes sortes de questions similaires à celles que l’on peut trouver dans l’histoire des politiques de surveillance épidémiologique.

Si le sujet vous intéresse, j’y ferai un petit topo au croisement de cette recherche, dont j’ai déjà résumé le contenu, et du contexte français actuel, qui ne ressemble pas à ce qui se fait dans d’autres systèmes de santé. Pour changer, il n’y aura pas de code R.

Ça commence à 19h30, pendant les happy hours.

Mise à jour #1 : on a raisonnablement profité des happy hours. La suite à l’Open Data Day de l’Open Knowledge Foundation, ce samedi !

Mise à jour #2 : une partie de cette intervention a été publiée dans un article co-écrit avec Samuel Goëta, et publié par la revue Statistique et société, déjà évoquée ici.

Le numéro spécial porte sur les données de santé et contient des contributions de spécialistes du SNIIRAM, de la cohorte Constances et de plein d’autres choses. Servez-vous, c’est gratuit et en ligne.

Screen Shot 2014-06-10 at 7.37.52 PM