Programme > Tutoriels

Marie Chion

University of Cambridge

La présence de valeurs manquantes constitue un enjeu méthodologique central dans l'analyse statistique, influençant aussi bien l'estimation des paramètres que la validité des inférences. Ce tutoriel propose une exploration des méthodes et outils pratiques de leur gestion dans R, afin de permettre aux participants de faire des choix éclairés face à des données incomplètes.

Nous commencerons par présenter les différents types de valeurs manquantes et leurs mécanismes sous-jacents. Les participants apprendront ensuite à identifier, visualiser et diagnostiquer les patterns de valeurs manquantes dans R, ainsi qu'à comprendre leurs conséquences sur les analyses et modèles.

La seconde partie présentera les principales familles de méthodes de traitement : exclusion, imputations déterministes, imputations stochastiques, ainsi que les principes généraux qui guident le choix entre ces approches. Ces techniques seront appliquées à différents jeux de données dans R.

Christophe Dervieux

Posit Software, PBC

Maëlle Salmon

Cynkra, ROpenSci

Ce tutoriel présente comment produire des PDF de qualité avec Quarto en tirant parti du format Typst. Après un bref rappel des bases de Quarto, un focus sera consacré à Typst : avantages, cas d'usage et différences avec les chaînes PDF classiques. L'usage de _brand.yml sera présenté pour centraliser les logos, les palettes de couleurs et les choix typographiques afin d'obtenir des rapports cohérents avec l'identité d'une organisation. Le rôle des templates sera expliqué : adapter et réutiliser des mises en page pour répondre aux besoins d'un laboratoire, d'une équipe ou d'un projet.

Une partie pratique permettra de mettre en place un petit projet Quarto + Typst, d'appliquer un _brand.yml, et de créer ou modifier un template. Enfin, une introduction aux extensions et aux bonnes pratiques montrera comment pérenniser et partager les personnalisations.

Sébastien Lê

Institut Agro Rennes-Angers

Ce tutoriel est une porte d'entrée pratique et innovante dans l'analyse de données avec R, intégrant la puissance de l'intelligence artificielle. Cette introduction au tAIdyverse présente une suite de packages originaux qui exploitent les modèles de langage (LLM) pour automatiser et simplifier l'interprétation des résultats statistiques. Découvrez comment transformer les sorties brutes de vos analyses en explications claires et contextualisées grâce à une méthodologie d'analyse assistée par l'IA.

Le programme s'articule autour de quatre packages :

• {EntraineR} (explication des analyses statistiques de base) : Maîtrisez les bases de la statistique (tests, ANOVA, régression linéaire, etc.). {EntraineR} vous aide à construire un prompt structuré intégrant à la fois les résultats de l'analyse et un mode d'emploi didactique. L'objectif : obtenir du LLM une interprétation immédiate et exploitable des sorties, transformant une série de chiffres en conclusions compréhensibles. Les prompts peuvent être adaptés à différents niveaux de praticiens.
• {NaileR} (interprétation de variables latentes) : Ce package permet d'explorer les variables latentes (continues ou catégorielles). Il génère automatiquement des descriptions de la variable d'intérêt, puis un LLM en propose une interprétation complète et narrative, facilitant ainsi l'appropriation des phénomènes cachés.
• {PolisheR} (une version Shiny de {NaileR}) : Ce package est une version Shiny du package {NaileR} qui permet, en complément, de faire du reporting automatique.
• {TrustMe} (évaluation des modèles de langage) : À l'ère de l'IA, il est essentiel de garder un regard critique. {TrustMe} fournit des méthodes pour comparer rigoureusement la qualité et la pertinence des réponses fournies par différents LLM.

• Données sensorielles;
• Traitement de données de questionnaires;
• Analyses de données textuelles.