Objectifs par rapport aux acquis d'apprentissage du programme

• Analyser une situation (individuelle ou collective) en référence aux théories et approches méthodologiques pertinentes relevant de la psychologie.
• Maîtriser et mobiliser de façon pertinente les connaissances et les approches méthodologiques permettant de comprendre ainsi que d'expliquer le fonctionnement (normal, atypique, pathologique) des individus, des groupes ou des organisations.
• Analyser et modéliser une situation (individuelle ou collective) en sélectionnant de manière critique des théories et des approches méthodologiques.
• Communiquer et échanger des informations de manière structurée et adaptée au but poursuivi et au public concerné.
• Présenter et structurer des données de manière claire, précise, neutre, non-orientée.
• Présenter (à l'oral et à l'écrit) des résultats d'une évaluation diagnostique et en informer différents interlocuteurs.
• Rédiger un rapport argumenté sur une intervention (y compris son évaluation).
• Présenter (à l'oral et à l'écrit) des résultats de recherche.
• Utiliser de manière pertinente des supports de présentation.
• Agir de manière éthique et déontologique.
• Adopter des attitudes professionnelles (faire preuve d'esprit critique, mettre à distance ses préjugés, respecter le secret professionnel, etc.).
• Au besoin, faire appel à des pairs ou à d'autres professionnels (discipline ou expertise différentes).
• Evaluer et poursuivre un développement professionnel et personnel.
• Maintenir une veille en termes de connaissances et d'approches méthodologiques afin de faire évoluer sa réflexion et sa pratique.
• Continuer à se former et à se perfectionner.
• Maîtriser la démarche scientifique au niveau de la recherche en psychologie.
• Maîtriser les différentes étapes pour mener à bien une recherche en psychologie.
• Appliquer de façon adéquate différentes méthodes de la démarche scientifique.
• Interpréter adéquatement des résultats en tenant compte du cadre de référence au sein duquel la recherche s'est développée.

Acquis d'apprentissage de l'UE

À l’issue de cet enseignement, les étudiants seront capables de :
- Définir et expliciter les différences entre les techniques statistiques dites de Machine Learning et les statistiques traditionnelles inférentielles ;
- Situer la place des techniques statistiques dites de Machine Learning dans le contexte plus large de l’intelligence artificielle, du data science et de l’informatique (computer science) ;
- Expliciter les différentes étapes d’un pipeline d’un algorithme de Machine Learning ;
- Définir trois algorithmes de Machine Learning, à savoir le Random Forest, le Support Vector Machine (SVM) et XGBoost (eXtreme Gradient Boosting) ;
- Expliciter le fonctionnement de ces trois algorithmes ainsi que leurs similitudes et différences, y compris les métriques d’évaluation permettant d’en juger le rendement ;
- Comprendre et expliciter les avantages, limitations et perspectives de développement de l’utilisation de techniques statistiques dites de Machine Learning dans le domaine des sciences psychologiques, en donnant des exemples appliqués à l’étude du trouble de stress post-traumatique ;
- Réaliser une évaluation du risque de biais d’un article scientifique ayant utilisé des techniques statistiques dites de Machine Learning dans le domaine des sciences psychologiques, via la checklist PROBAST (Prediction model study Risk Of Bias Assessment Tool) ;
- Réaliser une analyse critique des résultats issus d’un article scientifique ayant utilisé des techniques statistiques dites de Machine Learning dans le domaine des sciences psychologiques, en regard (1) des biais identifiés dans la méthodologie de l’article, (2) des métriques de fonctionnement de l’algorithme utilisé, (3) des connaissances théoriques acquises par les étudiants sur le fonctionnement de différentes pathologies mentales (telles que la dépression, l’anxiété, le trouble de stress post-traumatique, les conduites suicidaires, les psychoses, les addictions), (4) de la pertinence clinique de l’étude ;
- Réaliser une présentation orale de cette analyse ainsi qu'un rapport écrit ;
- Évaluer de manière critique une présentation d’analyse réalisée par leurs pairs.

Contenu de l'UE : descriptif et cohérence pédagogique

Ce cours introduit les concepts fondamentaux du machine learning appliqués aux sciences psychologiques. Il met en évidence les différences entre statistiques classiques et ML, présente les principales étapes d’un pipeline et trois algorithmes largement utilisés (Random Forest, SVM, XGBoost), et illustre leur usage à travers des exemples en psychopathologie. L’approche combine apports théoriques, démonstrations pratiques en R et analyses critiques d’articles scientifiques récents.La cohérence pédagogique repose sur une progression en trois temps : (1) comprendre les bases théoriques, (2) découvrir les méthodes et leur mise en œuvre dans le champ de la psychopathologie, (3) développer une analyse critique et autonome de l’usage du ML en psychologie. L’objectif est de former des étudiant·es capables de lire, évaluer et interpréter rigoureusement des recherches mobilisant le ML dans le domaine de la santé mentale.

Plan du cours (7 séances, 15h)
Cours 1 (2h) : Introduction au machine learning – définition, applications, distinction supervisé / non supervisé.
Cours 2 (2h) : Comparaison avec les statistiques classiques – inférence vs prédiction.
Cours 3 (2h) : Pipeline de ML – préparation des données, validation, métriques d’évaluation.
Cours 4 (2h) : Algorithmes en psychopathologie – Random Forest, SVM, XGBoost.
Cours 5 (2h) : Démonstration pratique en R – mise en œuvre d’un algorithme pas à pas.
Cours 6 (2h) : Applications en psychopathologie – étude de cas : trouble de stress post-traumatique.
Cours 7 (2h) : Atelier critique – analyse collective d’un article scientifique.
Cours 8 (1h) : Questions / réponses.

Compétences préalables

Sans objet