MOOC : Recherche reproductible : principes méthodologiques pour une science transparente - INRIA - CultureSciences de l'Ingénieur

MOOC : Recherche reproductible : principes méthodologiques pour une science transparente - INRIA

Prendre des notes et s’y retrouver, faire des calculs sur ordinateur et les résultats changent d’un jour à l’autre, partager les analyses de données et les travaux afin qu’ils soient réutilisés, ce mooc est pour les enseignant-e-s, ingénieur-e-s, chercheur-se-s, doctorant-e-s ou étudiant-e-s en master de toutes disciplines pour se former à des environnements de publication et des outils fiables :

• Markdown pour la prise de note structurée
• des Outils d'indexation (DocFetcher et ExifTool)
• Gitlab pour le suivi de version et le travail collaboratif
• Notebooks (jupyter, rstudio ou org-mode) pour combiner efficacement calcul, représentation et analyse des données

Vous apprendrez au cours des exercices basés sur des cas pratiques à utiliser ces outils pour améliorer la prise de notes, la gestion des données et des calculs. Pour cela, vous disposerez d'un espace Gitlab et d'un espace Jupyter, intégrés à la plateforme FUN et qui ne nécessitent aucune installation. Ceux qui le souhaitent pourront réaliser les travaux pratiques avec Rstudio ou Org-mode après avoir installé ces outils sur leur machine. Toutes les procédures d'installation et de configuration des outils sont fournies dans le Mooc, ainsi que de nombreux tutoriels. Nous vous présenterons également les enjeux et les difficultés de la recherche reproductible.

À la fin de ce cours, vous saurez :

• Comprendre les enjeux et les difficultés de la recherche reproductible
• Découvrir des outils pour améliorer sa prise de notes, sa gestion des données, et des calculs
• Se familiariser avec un outil de suivi de gestion de version (Gitlab)
• Se familiariser avec les documents computationnels réplicables (Jupyter, RStudio ou Org-Mode)
• Écrire un notebook pour combiner efficacement une analyse de données et sa documentation

Format : MOOC en 4 modules combinant des vidéos de cours, de nombreuses ressources notamment sur l'installation et l'utilisation des outils présentés, des quizz, et des exercices pour la mise en pratique des méthodes présentées.
Pour illustrer et approfondir certaines notions, vous pourrez écouter ou lire des interviews de nombreux chercheurs de domaines différents.
Des cas pratiques sont proposés tout au long du cours comme par exemple de travailler sur un jeu de données "historique", celui de l'analyse du risque de défaillance des joints toriques de la navette spatiale Challenger désintégrée 73 secondes après son décollage. Un autre exercice, évalué par les autres participants, consiste à préparer une analyse de données sous forme d'un document computationnel, avec plusieurs sujets au choix basés sur des cas réels, sur des thématiques très différentes.
Pour réaliser ces exercices, trois parcours différents sont proposés dont chacun utilise une technologie de notebook :

• Le premier repose sur Jupyter et le langage Python. Il ne nécessite aucune installation de votre part sur votre ordinateur.
• Le deuxième repose sur RStudio et le langage R. Il nécessitera l’installation de RStudio sur votre ordinateur mais nous vous guiderons dans ce processus en temps voulu.
• Le troisième repose sur Emacs/Org-mode et les langages Python et R. Il nécessitera l’installation d’Emacs, Python, et R sur votre ordinateur mais nous vous guiderons dans ce processus en temps voulu.

Ce cours est bilingue français / anglais. Les vidéos sont en français sous-titrées en français et en anglais. Tous les autres contenus sont fournis dans les 2 langues ainsi que les Quiz et Exercices. Toutes les ressources de ce Mooc seront accessibles dans un entrepot Gitlab ouvert, dans les formats Org-mode ou Markdown.

Plan de cours :

• Posons le décor : La reproductibilité, en crise ? Reproductibilité et transparence
• Module 1 : Cahier de notes, cahier de laboratoire
• Module 2 : La vitrine et l’envers du décor : le document computationnel
• Module 3 : La main à la pâte : une analyse réplicable
• Module 4 : Vers une étude reproductible : la réalité du terrain

Prérequis : Le premier module ne requiert aucune connaissance particulière. Dès le deuxième module, une connaissance des bases du langage Python ou du langage R est nécessaire. Dans le quatrième module, nous traitons des sujets plus spécialisés dont chacun peut nécessiter des compétences particulières.

Une familiarité avec l'analyse de données et les statistiques est nécessaire pour certains exercices de cette session. Des sujets avec un prérequis moins élevé en statistiques ont été ajoutés afin que chacun puisse trouver des exercices de son niveau. Néanmoins, même si vous ne parvenez pas à réaliser totalement ces exercices, cela ne vous empêchera pas de vous former sur de nombreux outils et méthodes pour la recherche reproductible.

Évaluation et Certification : Un Open Badge de suivi avec succès sera généré à la demande aux apprenants ayant obtenu un score global de 50% de bonnes réponses. L’évaluation est basée sur des quiz, des exercices pratiques et un devoir qui sera évalué par d'autres élèves.

Cours ouvert jusqu’au : 31 décembre 2024