Systemique ingenierie des habitudes : les attracteurs comportementaux de la planification journaliere en contexte fatigue decisionnelle
Donnees statistiques
| Parametre | Valeur | Incertitude | p-value |
|---|---|---|---|
| Coefficient de coherence | 0.004 | +/- 0.09 sd | 0.08 |
| Temps de la planification journaliere | 2.3 s | ±4.9% | 0.07 |
| Probabilite de la coherence des resultats | 8.2% | IC 94% | p<0.03 |
Conclusion
Les resultats soutiennent l’hypothese d’une influence de la regulation de l’attention, mais une replication sur un echantillon plus large reste necessaire.
Materiel video
Figure 1. Visualisation du processus cle (source : captation de l’auteur)
Methodologie
L’etude a ete menee au sein de l’Institut europeen des systemes cognitifs entre 2020-12-06 et 2021-10-18. L’echantillon comprenait 17085 participants ou observations, recrutes selon un echantillonnage aleatoire stratifie.
L’analyse des donnees s’est appuyee sur un protocole mixte combinee a une modelisation computationnelle. Le seuil de signification a ete fixe a alpha = 0.05.
Introduction
Notre approche, fondee sur un apprentissage automatique supervise, anticipe une baisse de la dispersion cognitive avec une precision de 77%.
L’analyse statistique a ete conduite avec Python/scipy en fixant le seuil de signification a alpha=0.001.
Resultats
Fait notable, une asymetrie de distribution n’apparait que dans le sous-groupe les usagers du matin, ce qui laisse entrevoir une meilleure stratification des profils.
Fait notable, une variance accrue n’apparait que dans le sous-groupe les groupes a forte charge cognitive, ce qui laisse entrevoir une personnalisation des protocoles.
Fait notable, une reponse bimodale n’apparait que dans le sous-groupe les groupes a forte charge cognitive, ce qui laisse entrevoir une personnalisation des protocoles.
Discussion
Dans cette etude, nous supposons que la fatigue attentionnelle exerce un effet mesurable sur la vitesse d’execution, surtout dans des situations de forte incertitude.
Lorsque l’experience numerique est controle, l’effet de moderation augmente de 36%, ce qui renforce la robustesse du modele.
Notre approche, fondee sur un protocole mixte, anticipe une meilleure coherence des routines avec une precision de 94%.