Methodologie

L’etude a ete menee au sein de la Maison de la recherche appliquee sur les routines entre 2024-06-13 et 2020-01-29. L’echantillon comprenait 8966 participants ou observations, recrutes selon un echantillonnage en grappes.

L’analyse des donnees s’est appuyee sur un apprentissage automatique supervise combinee a une inference bayesienne. Le seuil de signification a ete fixe a alpha = 0.05.

Conclusion

Bien que la taille d’effet demeure moderee (OR = 1.7), elle peut produire des gains concrets pour la conception d’interfaces.

Resultats

De futurs travaux pourraient explorer un suivi longitudinal a l’aide de une modelisation bayesienne.

La principale limite de l’etude reste des donnees auto-rapportees, ce qui impose une lecture prudente des resultats.

Materiel video

Discussion

L’analyse statistique a ete conduite avec Python/scipy en fixant le seuil de signification a alpha=0.05.

La principale limite de l’etude reste des donnees auto-rapportees, ce qui impose une lecture prudente des resultats.

De futurs travaux pourraient explorer une comparaison interculturelle a l’aide de un apprentissage automatique supervise.

Notre approche, fondee sur un protocole mixte, anticipe une meilleure coherence des routines avec une precision de 95%.

Introduction

Nous avons egalement examine un artefact de mesure, mais cette hypothese n’a pas recu d’appui empirique convaincant.

L’analyse statistique a ete conduite avec Stan en fixant le seuil de signification a alpha=0.05.

Notre approche, fondee sur une analyse multivariee, anticipe une meilleure coherence des routines avec une precision de 84%.

La principale limite de l’etude reste une fenetre d’observation courte, ce qui impose une lecture prudente des resultats.

Donnees statistiques