École d’été des méthodes quantitatives en sciences sociales de Lille, 35e édition du 20 au 24 Juin 2022

Objectifs

L’École vise à permettre aux chercheurs, enseignants-chercheurs et futurs chercheurs d’approfondir leurs connaissances en matière de traitement des données quantitatives, soit en les formant aux techniques traditionnelles, soit en les initiant à des méthodes plus avancées.

Elle entend de plus restituer ces techniques quantitatives dans leur environnement scientifique national et international afin de permettre une insertion plus aisée des chercheurs et enseignants chercheurs dans des réseaux, notamment européens et/ou pluridisciplinaire.

Elle vise enfin à favoriser les échanges scientifiques entre les participants français et étrangers, mais aussi entre participants et intervenants. Plus généralement, aider à la constitution ou au renforcement de réseaux scientifiques dans la communauté française et internationale.

Programme 2022

L’édition 2022 de l’École d’été aura lieu du lundi 20 au vendredi 24 juin. Les deux modules de cette année sont :

• Pratiques de la recherche quantitative en sciences sociales : concevoir, manipuler, décrire, inférer  organisé par Pierre Blavier, Samuel Coavoux, Anton Perdoncin & Thomas Soubiran
• Machine learning en sciences sociales : classifier, visualiser, prédire  organisé par Julien Boelaert & Thomas Soubiran

Module n^o 1 : Pratiques de la recherche quantitative en sciences sociales

Module organisé par Pierre Blavier (CNRS, Clersé), Samuel Coavoux (Orange Labs), Anton Perdoncin (EHESS, Cens) & Thomas Soubiran (CNRS, Ceraps)

Le module Pratiques de la recherche quantitative en sciences sociales : concevoir, manipuler, décrire, inférer vise à développer les compétences de conception et d’implémentation d’une recherche quantitative en sciences sociales en respectant les bonnes pratiques désormais consensuelles en statistiques (transparence, ouverture, réplicabilité) et en stimulant la réflexivité méthodologique.

Il propose une formation introductive aux sciences sociales quantitatives, mais selon des modalités et des objectifs pédagogiques différents de ceux usuellement retenus, en particulier l’insistance sur le test d’hypothèse nulle. Plutôt que de poser d’emblée les questions de représentativité et d’inférence, on abordera d’abord des problèmes pratiques : comment organiser un travail de quantification ? Comment produire des questions quantitatives ? Comment administrer une preuve statistique ouverte ? Comment manipuler et bien décrire des données ?

En outre, le module vise à faire le point sur l’état des réflexions épistémologiques et méthodologiques relatives à la statistique classique et à envisager leurs conséquences sur les pratiques de la recherche quantitative en sciences sociales.

Un volet théorique permettra aux stagiaires de naviguer dans les enjeux principaux du débat statistique actuel (critiques de la p-value et des tests d’inférence, crise du paradigme fréquentiste, questions de réplication et de la science ouverte, protection des données personnelles, distinction entre types d’enquêtes et de données, etc.).

Un volet pratique les formera aux outils les plus performants et les plus prometteurs, qu’il s’agisse de gérer un projet de quantification (organisation de l’espace de travail, conception d’un plan de gestion des données), d’assurer une preuve statistique ouverte, transparente et réplicable ou de faire son choix parmi une sélection de méthodes de description et d’exploration, en particulier graphique, des données.

Au plan informatique, les stagiaires seront formés aux logiciels R et RStudio (y compris la génération de rapports de recherche via RMarkdown), ainsi qu’aux outils de versionnage (par exemple les outils git).

Le module s’adresse aux doctorant·e·s, docteur·e·s et enseignant·e·s-chercheur·euse·s avec un projet de quantification en cours (ou prévu dans un avenir proche). Aucune connaissance technique n’est requise au préalable.

Module n^o 2 : Machine learning en sciences sociales

Module organisé par  Julien Boelaert & Thomas Soubiran (CNRS, Ceraps)

Le module Machine learning en sciences sociales : classifier, visualiser, prédire propose une introduction aux méthodes d’apprentissage statistique. Nées à la frontière des sciences informatiques, statistiques et de l’ingénierie, ces méthodes ont connu un développement rapide depuis le début des années 1980. Sous les dénominations alternatives ou connexes d’apprentissage automatique, intelligence artificielle, ou data mining, elles désignent un vaste ensemble de méthodes et de pratiques de traitement de données numériques, aux très nombreuses applications techniques, commerciales et scientifiques. Elles offrent en particulier de puissantes alternatives aux méthodes statistiques plus classiques (que ce soit pour la description ou pour l’inférence) sous la forme de modèles flexibles et parcimonieux en hypothèses de départ. Si elles ont connu un grand succès en ingénierie, dans les sciences naturelles, et plus récemment de très nombreuses applications commerciales, elles sont encore peu exploitées en sciences sociales (à l’exception notable des sciences économiques), alors même que leur flexibilité semble les y prédisposer.

L’objectif de ce module est de proposer une introduction au fonctionnement et à l’utilisation de quelques-unes de ces méthodes, en prenant soin de les comparer aux méthodes statistiques couramment utilisés en sciences sociales (analyse géométrique de données, classification hiérarchique, régression linéaire généralisée). Il abordera plusieurs aspects de cette grande famille de méthodes. Parmi les méthodes dites « non supervisées », nous traiterons des méthodes d’exploration de données en grandes dimensions, en particulier la classification (clustering : nuées dynamiques, modèles de mélanges, classes latentes) et la visualisation de données (t-SNE, UMAP, cartes auto-organisatrices). Parmi les méthodes « supervisées », c’est-à-dire aux modèles prédictifs (réseaux de neurones artificiels, modèles d’arbres et de forêts), l’accent sera plus particulièrement mis, en plus de l’utilisation pratique des algorithmes, sur les grandes lignes théoriques et leur articulation au type de question posée.

Pré–requis : une connaissance minimale en statistique (notions relatives à l’ACP et la régression linéaire). Toutes les manipulations seront faites sous R, dont une séance introductive rappellera les rudiments.

Pulic concerné

En priorité destinée au personnel CNRS, chercheurs et ingénieurs de recherche, aux enseignants-chercheurs universitaires français et étrangers, L’École d’été est aussi ouverte à toute personne durablement inscrite dans un processus de recherche (ATER, ALER, doctorants, assistants… ).

Modalités d’inscription

Dossier et modalités de sélection

Pour vous inscrire à l’École d’été Quantilille, remplissez le formulaire de candidature avant le 25 avril 2022. Votre candidature sera ensuite examinée par la comité d’organisation.

Chaque module accueille habituellement une vingtaine de participants, sauf exception spécifiée dans son descriptif. Le nombre de demandes étant généralement supérieur au nombre de places offertes, les places sont attribuées par le comité d’organisation. Les candidatures retenues sur liste principale ou liste complémentaire seront prévenues par mail début mai.

Si vous appartenez au CNRS votre candidature sera prioritaire. Dans les autres cas, les places seront attribuées en fonction de l’ordre d’inscription et des recherches menées à ce jour ou en cours.

Une fois votre candidature retenue, il vous faudra valider votre inscription en vous acquittant des frais d’inscription, par chèque ou virement bancaire, avant le 31 mai 2022 auprès du CNRS.

Frais d’inscription

Les frais d’inscription à l’École s’élèvent à :

• 170 € pour les étudiants
• 320 € pour les enseignants, chercheurs, post-doctorants, assistants de recherche, etc.
• les agents du CNRS et les doctorants de l’Université de Lille sont exonérés de tout frais
• autres situations : prendre contact avec le responsable administratif du Ceraps Younès Haddadi

Les frais d’inscription couvrent les frais d’hébergement en résidence universitaire ainsi que les repas de midi. Les frais de déplacement ainsi que les autres frais sont, eux, à la charge des participants ou de leurs institutions de rattachement.

Le modalités de règlement des frais d’inscription sont décrites dans dans ce document.

La participation à l’École peut aussi faire l’objet de demandes de financement auprès de PROGEDO.

En cas de désistement de dernière minute, les frais d’inscription peuvent faire l’objet d’une demande de remboursement si la demande intervient dans un délais n’excédant pas une semaine avant le début de l’école.

Partenaires

Cette année, l’École bénéficie du soutien de :

• du Centre national de la recherche scientifique (CNRS) 
• de l’Institut d’études politiques de Lille (IEP Lille)
• de la Plateforme universitaire des données de Lille (PUDL)
• de l’IR* PROGEDO
• de l’Université de Lille
• de la Région Haut–de–France

Financement

L’École d’été ne fournit pas directement de bourses pour les participants.

En revanche, cette page fournit des informations générales et des conseils sur la recherche de financement pour votre participation à l’école d’été de Lille, ainsi que des informations à propos des bourses proposées par l’ECPR et PROGEDO.

Aide financière de PROGEDO via les Plateformes universitaires des données

Les candidats dont l’établissement d’appartenance se situe dans le périmètre d’une Plateforme universitaire de données pourront leur demander et obtenir un soutien financier du montant de l’inscription.

Pour la PUDL —Plateforme universitaire de données de Lille—, le formulaire de demande de financement se trouve ici. Pour les autres plateformes de la DATA INFRASTRUCTURE PROGEDO, vous trouverez la liste des PUD à cette page.

Plus d’informations sur les possibilités de financement ici.

---

---