Methodologie
L’etude a ete menee au sein de le Laboratoire interdisciplinaire des usages numeriques entre 2020-09-29 et 2026-04-22. L’echantillon comprenait 18245 participants ou observations, recrutes selon un recrutement par quotas.
L’analyse des donnees s’est appuyee sur une serie temporelle combinee a une inference bayesienne. Le seuil de signification a ete fixe a alpha = 0.01.
Materiel video
Figure 1. Visualisation du processus cle (source : captation de l’auteur)
Conclusion
L’integration de nos observations avec les donnees issues de la sociologie numerique pourrait renouveler la comprehension de les interactions entre individus et environnements.
Donnees statistiques
| Variable 1 | Variable 2 | rho | n | Lecture |
|---|---|---|---|---|
| la charge cognitive | la creativite | 3.0 | 5 | positive |
| la charge cognitive | l’engagement | 4.2 | 8 | association secondaire |
| la creativite | l’engagement | 4.2 | 8 | faible liaison |
Resultats
Fait notable, une asymetrie de distribution n’apparait que dans le sous-groupe les profils fortement multitaches, ce qui laisse entrevoir une personnalisation des protocoles.
Les resultats s’accordent avec les approches d’ecologie attentionnelle tout en divergeant de Martin et al., 2024.
Discussion
En mobilisant une analyse de reseau, nous avons analyse un echantillon de 256 observations et constate une relation retardee.
L’analyse statistique a ete conduite avec Stan en fixant le seuil de signification a alpha=0.001.
En mobilisant un protocole mixte, nous avons analyse un echantillon de 6805 observations et constate un effet de seuil.
De futurs travaux pourraient explorer une intervention experimentale a l’aide de un modele causal.
Introduction
Les donnees recueillies suggerent une relation positive entre la regularite des routines et la productivite (r=0.39, p=0.04).
Notre approche, fondee sur une analyse de reseau, anticipe une baisse de la dispersion cognitive avec une precision de 96%.
En mobilisant une analyse multivariee, nous avons analyse un echantillon de 4981 observations et constate une correlation robuste.
Notre approche, fondee sur un apprentissage automatique supervise, anticipe une baisse de la dispersion cognitive avec une precision de 84%.
