Labtime virtuel

Calendrier des Labtime virtuels

Tous les vendredis à 12h sur Zoom

Calendrier ouvert aux propositions (cliquer ici)

Vendredi 17/07 PhDiscovery

  • Mamady Nabé. « Cosmo-Oscillation Coupling Biological and Bayesian Predictive models in Temporal Speech processing »
  • Adeline Lacroix. « The visual predictive brain in autism »

Vendredi 10/07 PhDiscovery

  • Alexandra Steinhilber. « Bayesian modeling of reading acquisition : from the theory to the classroom »
  • Benjamin Kowialewski. « Can activated long-term memory maintain serial order information in Working Memory? »

Jeudi 02/07 Atelier PAPAJA (Preparing APA Journal Articles) package de R, animé par Alexis Favre-Felix (étudiant en M2 Recherche en Neuropsychologie et Neurosciences — stagiaire au LPNC)

A installer pour la séance :

  • R Markdown : install.packages(« rmarkdown »)
  • une version LaTeX (TinyTeX est conseillé) : install.packages(« tinytex »)
  • Devtools : install.packages(« devtools »)
  • Papaja : devtools::install_github(« crsh/papaja ») 

Vendredi 26/06 PhDiscovery

  • Célise Haldin. « Brain plasticity and speech rehabilitation in post-stroke aphasia using visual illustration of speech articulators. »
  • Cynthia Boggio. « Do digital educational applications need to be gamified? The example of ECRIMO, designed to practice spelling in 1st grade (CP in france) »

Vendredi 19/06 Discussion sur les perspectives de la recherche dans le contexte de la Loi de Programmation Pluriannuelle de la Recherche, animée par Lucrèce Heux (Mémoire)


Vendredi 12/06 Discussion sur les effets aléatoires dans les modèles mixtes, animée par Adeline Lacroix (Vision et Emotion)

« Keep it maximal »? Le choix des effets aléatoires dans les modèles mixtes n’est pas toujours évident, surtout lorsqu’on a des plans complexes. Barr et al., recommandent de garder la structure maximale des effets aléatoires. Néanmoins, celle-ci peut poser des problèmes de convergence et n’est pas forcément recommandées par tous. Certaines techniques de réduction du modèle sont proposées dans cet article (mais aussi par Bates et al., 2018) mais peuvent aussi avoir le limites. Il semble intéressant de pouvoir discuter de la manière dont chacun construit ses modèles.


Vendredi 05/06 PhDiscovery

  • Laura Machart. « Speech sound development in deaf children with cochlear implants perception and production of French phonemes »
  • Léa Entzmann. « The role of spatial frequency and contraste qualization on the detection of facial expressions: computational and behavioral data »

Vendredi 29/05 Discussion épistémologique animée par Rémi Lafitte (Corps et Espace)

Dès les années 60, certains épistémologues jetaient déjà un regard éminemment critique sur la psychologie, et notamment sur l’usage des statistiques : « […] on se demande si, dans les sciences sociales, les techniques statistiques n’ont pas avanttout pour fonction de fournir un mécanisme qui produit descorroborations factices et, par là, un semblant de « progrèsscientifique », quand, en réalité, elles ne font qu’ajouter à la masse des déchets pseudo-intellectuels » (Lakatos, 1970, p. 127). Pourquoi tant de haine? Dans le présent article, Paul Meelh développe une critique épistémologique de la psychologie, en mettant l’accent sur la faiblesse de nos édifices théoriques, croulant sous le poids des t-tests (bi)-directionnels et des ad hockery en tout genre. Il démontre que dans le domaine de la psychologie, augmenter la puissance statistique de notre design expérimental n’aboutit pas à une plus grande corroboration de nos théories, contrairement au domaine de la physique. En formulant des hypothèses faibles, le psychologue échappe plus facilement au couperet de la réfutation popérienne que le physicien. Meelh nous conseille donc de « poser nos c******* théoriques sur la table » (Diard, 200?-2020), grâce à un usage fort de la p valeur fondé sur des prédictions audacieuses, plus risquées, portant sur des intervalles. Cinquante après, quel regard rétrospectif pouvons nous porter sur ce texte?


Vendredi 15/05 Discussion sur les modèles mixtes, animée par Adeline Lacroix (Vision et Emotion)

« To transform ou not to transform? » (Lo et Andrews, 2015): Afin de satisfaire les conditions d’applications des Linear Mixed Model, il est souvent recommandé de réaliser une transformation des données lorsqu’on travaille par exemple sur des temps de réactions. Par exemple, une transformation log ou inverse permet en général de normaliser les résidus. Néanmoins, ces transformations ont des implications théoriques importantes et peuvent avoir des conséquences en terme de résultats et d’interprétation. De manière alternative, il est aussi possible d’utiliser les GLMM avec une distribution de probabilité qui correspond plus à celle de nos données. Comment orienter nos choix ?

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search