Processus d’évaluation : « Etre premier en ordre de passage vous pénalisera »

Une expérience américaine montre que les évaluateurs octroient de meilleurs scores au fil du temps, observe Charles Cuvelliez, professeur en communication, dans une tribune au « Monde ». Un biais cognitif qui pèse lourdement sur la rationalité de nos décisions.

Si décider de votre horaire de passage à un concours vous a toujours angoissé, vous avez bien raison car c’est loin d’être un détail sans influence sur le résultat. C’est la leçon d’expériences menées par deux chercheurs de l’université de Virginie, qui ont mis en évidence un nouveau biais cognitif (« Do Evaluations Rise With Experience ? » Kieran O’Connor, Amar Cheema, Psychological Science n° 29/5, 1^er mars 2018).

Ils ont demandé à un groupe de 168 étudiants de donner un score à dix histoires qu’on leur demandait de lire, à raison d’une histoire par jour, de façon à étaler le processus d’évaluation dans le temps. L’ordre dans lequel les histoires leur étaient données différait selon les étudiants. Or, ce sont les histoires lues dans les derniers jours qui ont eu le meilleur score, peu importe laquelle.

En fait, la note attribuée avait tendance à monter jour après jour. On leur a ensuite demandé, au fur et à mesure qu’ils avançaient dans leur évaluation des dix histoires, de juger la difficulté de cette tâche d’évaluation. Véracité, style, contenu, genre, chacun avait des critères d’évaluation différents, mais tous étaient d’accord pour dire que la tâche devenait plus facile avec le temps.

C’est ce qui fait penser aux chercheurs que notre cerveau confond inconsciemment la facilité à donner un score avec le score lui-même, comme si quelque chose qui devient (plus) facile à évaluer était forcément meilleur ! Et si l’on peut parler de « biais cognitif », c’est parce que les participants étaient persuadés d’évaluer de la même manière au début du test comme à la fin.

L’objectivité existe-t-elle ?

Si on fait le bilan de toutes les situations où une estimation s’étale dans le temps, cette expérience est riche d’enseignements. Passer le premier ou le dernier à l’épreuve orale, c’est un dilemme auquel tous les étudiants font face.

Source : Le Monde

Just think: The challenges of the disengaged mind (les défis de l'esprit désengagé)

Just think: The challenges of the disengaged mind

In 11 studies, we found that participants typically did not enjoy spending 6 to 15 minutes in a room by themselves with nothing to do but think, that they enjoyed doing mundane external activities much more, and that many preferred to administer electric shocks to themselves instead of being left alone with their thoughts. Most people seem to prefer to be doing something rather than nothing, even if that something is negative.

Just think: les défis de l'esprit désengagé

Dans 11 études, nous avons constaté que les participants n’aimaient généralement pas passer de 6 à 15 minutes dans une pièce par eux-mêmes avec rien d'autre à faire que penser, qu'ils ont préferé faire des activités mondaines, et que beaucoup ont préféré s'administrer des chocs électriques à eux-mêmes au lieu d'être laissés seuls avec leurs pensées. La plupart des gens semblent préférer faire quelque chose plutôt que rien, même si ce quelque chose est négatif.

Reference :

Click here to view the paper
Wilson, Timothy D., et al. "Just think: The challenges of the disengaged mind." Science345.6192 (2014): 75-77.

https://drive.google.com/open?id=1i4a25v3ZHI0zbMRrff688KhbI9jpEKgQ

De la tyrannie des chiffres : De l’excès de mesure… au paradoxe de la mesure

De la tyrannie des chiffres

On n’a pas attendu le numérique pour produire des métriques, mais celui-ci a incontestablement simplifié et amplifié leur production. Quitte à produire un peu n’importe quelles mesures puisque celles-ci semblent désormais accessibles et ajustables en quelques clics. On connaît la rengaine : « ce qui ne peut être mesuré ne peut être géré » (même si la formule de Peter Drucker est en fait plus pertinente que ce que nous en avons retenu). Est-ce pour autant qu’on ne gère que ce que l’on sait chiffrer ?

Non. C’est en tout cas ce que répond le stimulant petit livre du professeur d’histoire de l’université catholique d’Amérique, Jerry Z. Muller(@jerryzmuller), The Tyranny of Metrics (La tyrannie des métriques, Princeton University Press, 2018, non traduit), qui se révèle être un très bon petit guide pour nous inviter à prendre un peu de recul sur notre obsession pour les chiffres.

Le propos de Jerry Muller relève pour beaucoup du simple bon sens.

« Il y a des choses qui peuvent être mesurées. Il y a des choses qui valent d’être mesurées. Mais ce que nous pouvons mesurer n’est pas toujours ce qui vaut d’être mesuré ; ce qui est mesuré peut n’avoir aucune relation avec ce que nous voulons vraiment savoir. Le coût de la mesure peut-être plus fort que ses bénéfices. Les choses que nous mesurons peuvent nous éloigner des choses dont nous voulons vraiment prendre soin. Et la mesure nous apporte souvent une connaissance altérée – une connaissance qui semble solide, mais demeure plutôt décevante. »

De l’excès de mesure… au paradoxe de la mesure

Relier la responsabilité aux mesures et à leur transparence s’avère souvent décevant. La responsabilité signifie être responsable de ses actions. Mais, par un glissement de sens, la responsabilité signifie souvent démontrer une réussite via des mesures standardisées, comme si seulement ce qui était mesurable comptait vraiment. Pour Muller, nous sommes obsédés par les chiffres. Nous avons une pression irrépressible à mesurer la performance, à en publier les chiffres, et à récompenser les performances depuis ceux-ci, quand bien même l’évidence nous montre que cela ne fonctionne pas si bien. Pour Muller, notre problème n’est pas tant la mesure que ses excès. Trop souvent nous préférons substituer des chiffres, des mesures, à un jugement personnel. Trop souvent le jugement est compris comme personnel, subjectif, orienté par celui qui le produit, alors que les chiffres, en retour, eux, sont supposés fournir une information sûre et objective. S’il y a beaucoup de situations où prendre des décisions basées sur une mesure est supérieur au jugement basé sur l’expérience… reste que les chiffres sont utiles quand l’expérience de quelqu’un est limitée pour développer son intuition. Certes, comme le montrait le livre Moneyball, l’analyse statistique est parfois capable de mesurer des caractéristiques négligées qui sont plus significatives que celles sur lesquelles s’appuie l’expérience et l’intuition. Mais ce n’est pas toujours le cas. Trop souvent, les métriques sont contre-productives, notamment quand elles peinent à mesurer ce qui ne l’est pas, à quantifier ce qui ne peut l’être.

Muller montre par de nombreux exemples comment nous nous ingénions à contourner les mesures, à l’image des hôpitaux britanniques qui avaient décidé de pénaliser les services dont les temps d’attente aux urgences étaient supérieurs à 4 heures. La plupart des hôpitaux avaient résolu le problème en faisant attendre les ambulances et leurs patients en dehors de l’hôpital ! Comme le rappelle la loi de Goodhart : « lorsqu’une mesure devient un objectif, elle cesse d’être une bonne mesure. » Plus qu’une obsession, nous sommes coincés dans un paradoxe de la mesure. Plus nous en produisons, plus elles sont précises, plus nous nous ingénions à les contourner à mesure qu’elles ne parviennent pas à remplir ce qu’elles étaient censées accomplir. Pour Muller, si les chiffres sont potentiellement des outils précieux, leurs vertus nous a été survendu, et leurs coûts toujours sous-estimés, comme l’explique le sociologue Jérôme Denis dans son livre Le travail invisible des données, qui souligne combien celles-ci sont toujours travaillées, « obtenues »… et donc que les standards qu’elles sont censées produire ont toujours un caractère « potentiellement conflictuel » !

La transparence des chiffres n’induit pas la responsabilité

Pour Muller, l’obsession des métriques repose sur : la croyance qu’il est possible et désirable de remplacer le jugement acquis par l’expérience personnelle et le talent, avec des indicateurs numériques de performance comparative basés sur des données standardisées ; la croyance que rendre ces mesures publiques (c’est-à-dire transparentes) assure que les institutions effectuent leurs buts (c’est-à-dire leur responsabilité) ; la croyance que la meilleure façon de motiver les gens dans les organisations est de les attacher à des récompenses ou des pénalités depuis ces mesures de performance (que les récompenses soient monétaires ou réputationnelles). L’obsession des métriques repose sur la persistance de ces croyances malgré les conséquences négatives qu’elles entraînent quand elles sont mises en pratique. Mais, si cela ne fonctionne pas, c’est d’abord et avant tout parce que tout ce qui est important n’est pas toujours mesurable et beaucoup de ce qui est mesurable n’est pas toujours important. À nouveau, toute mesure utilisée comme objectif, utilisée comme outil de contrôle devient douteuse. Par nature, toute mesure sera détournée ! Pire, rappelle Muller : forcer les gens à se conformer à des objectifs mesurés à tendance à étouffer l’innovation et la créativité, et renforce la poursuite d’objectifs à court terme sur ceux à long terme. La mesure a fait plus de progrès que le progrès lui-même, ironise Muller.

Le petit livre de Jerry Muller assène bien des évidences, certes. Mais des évidences qui font du bien, tant la démultiplication des chiffres dans le monde dans lequel nous vivons semble nous avoir fait perdre de vue toute raison.

Il souligne que trop souvent, on mesure le plus ce qui est le plus facile à mesurer, le plus simple. Mais c’est rarement le plus important. En mesurant le plus simple, on en oublie la complexité : ainsi quand on mesure les objectifs d’un employé, on oublie souvent que son travail est plus complexe que cela. On mesure plus facilement les sommes dépensées ou les ressources qu’on injecte dans un projet que les résultats des efforts accomplis. Les organisations mesurent plus ce qu’elles dépensent que ce qu’elles produisent. Bien souvent, la mesure, sous prétexte de standardisation, dégrade l’information, notamment pour rendre les choses comparables au détriment des ambiguïtés et de l’incertitude.

Quant aux manières de se jouer des métriques, elles sont là aussi nombreuses : simplifier les objectifs permet souvent de les atteindre au détriment des cas difficiles ; améliorer les chiffres se fait souvent en abaissant les standards… sans parler de la triche, on ne peut plus courante.

Les métriques au détriment du jugement, les chiffres au détriment de l’intangible

L’historien, bien sûr, tente de retracer rapidement l’origine de la mesure et tente d’expliquer pourquoi elle est devenue si populaire. C’est vraiment avec Frederick Taylor, cet ingénieur américain qui va inventer le management scientifique au début du 20e siècle, que la mesure va s’imposer. Le but même du taylorisme était de remplacer le savoir implicite des ouvriers avec des méthodes de production de masse, développées, planifiées, surveillées et contrôlées par les managers. Le Taylorisme va s’imposer en promouvant l’efficacité par la standardisation et la mesure, d’abord dans l’industrie avant de coloniser avec le siècle, tous les autres secteurs productifs. Le Taylorisme a été développé par les ingénieurs, mais aussi par les comptables. L’expertise nécessitait des méthodes quantitatives. Les décisions basées sur des chiffres étaient vues comme scientifiques, comme objectives et précises. La performance de toute organisation pouvait alors être optimisée en utilisant les mêmes outils et techniques de management. Ceux qui calculaient les coûts et les marges de profits s’alliaient avec ceux qui retiraient l’expérience des travailleurs pour les fondre dans des machines qui décomposaient les tâches pour mieux mesurer chacune et pour les rendre non spécialisée, permettant de remplacer n’importe quel travailleur par un autre. Le calcul s’est immiscé partout. Le biais matérialiste également : il était partout plus facile de mesurer les apports et rendements tangibles que les facteurs humains intangibles – comme la stratégie, la cohésion, la morale… La confiance et la dépendance dans les chiffres ont minimisé et réduit le besoin de connaître les institutions de l’intérieur. « Ce qui pouvait être mesuré a éclipsé ce qui était important ». Et la culture du management a exigé toujours plus de données… mais en parvenant à mesurer certains critères plutôt que d’autres, à favoriser donc certaines valeurs au détriment d’autres.

Muller explique encore que si les métriques sont devenues si populaires c’est parce qu’elles permettaient de se passer du jugement individuel. Elle permettait de remplacer ceux qui avaient la connaissance pour juger, par n’importe qui sachant lire les chiffres. L’objectivité des chiffres semblait supérieure au jugement subjectif et ce d’autant que les chiffres et les courbes étaient compréhensibles par tous. Les métriques se sont imposées dans les secteurs où la confiance était faible. Les décisions humaines sont devenues trop dangereuses à mesure qu’elles impliquaient une trop grande complexité de facteurs : d’où la prolifération des métriques, des process, des règles… La demande d’un flux constant de rapports, de données, de chiffres… a finalement diminué l’autonomie de ceux qui étaient les plus bas dans les organisations. La feuille de calcul est devenue l’outil phare du calcul, une façon de voir la réalité par les chiffres. La feuille de calcul qu’analysait Paul Dourish a créé une illusion d’analyse en profondeur. Alors que les données sont toujours plus faciles à collecter et à traiter, le chiffre et son traitement sont devenus la réponse à toute question posée par les organisations.

Dans les organisations, la mesure a remplacé la confiance. « Les nombres sont vus comme une garantie d’objectivité, un moyen de remplacer la connaissance intime et la confiance ». Les indicateurs de performance sont devenus des stratégies. Muller rappelle que la connaissance pratique est le produit de l’expérience… Si elle peut-être apprise par la pratique, elle ne se résume pas en formule générale. Alors que la connaissance abstraite, chiffrée, n’est qu’une question de technique, qui peut être systématisée, communiquée et appliquée.

Dans son livre, Muller évoque nombre de secteurs où les chiffres n’ont pas produit ce qu’on attendait d’eux. Dans le domaine scolaire, en médecine, dans le domaine militaire, dans la police et bien sûr dans les affaires… les chiffres sont souvent mal utilisés et ne parviennent pas à mesurer l’important. Bien souvent, les chiffres déplacent les objectifs, favorisent le court-termisme, découragent la prise de risque, l’innovation, la coopération… coûtent du temps (« Bien souvent, la métrique du succès est le nombre et la taille des rapports générés, comme si rien n’était accompli jusqu’à ce qu’il soit extensivement documenté »), voire sont dommageable pour la productivité elle-même (« Une question qui devrait être posée est de savoir dans quelle mesure la culture des métriques a elle-même contribué à la stagnation économique ? »)…

Interroger la légitimité des chiffres et assumer ses jugements !

Pour conclure son livre, Jerry Muller propose une checklist pour évaluer la légitimité de ce que vous cherchez à mesurer. Malgré ses critiques, nourries, il ne rejette pas tout chiffre, mais souligne qu’on devrait plus souvent penser à s’en passer.

Pour lui, il faut d’abord se poser la question de ce que l’on cherche à mesurer en se souvenant que plus un objet mesuré est influencé par la procédure de mesure, moins il est fiable. Et que ce constat empire quand la mesure repose sur l’activité humaine, plus capable de réagir au fait d’être mesurée, et pire encore quand des systèmes de récompenses ou de punition sont introduits…

L’information est-elle utile ? Le fait que quelque chose soit mesurable ne signifie pas qu’il faille le faire (au contraire, bien souvent la facilité à mesurer est inversement proportionnelle à sa signification !). « Posez-vous la question de ce que vous voulez vraiment savoir ! », conseille l’historien.

Est-ce que plus d’information est utile ? Si la mesure est utile, cela ne signifie pas pour autant que plus de mesure est plus utile.

D’autres indicateurs sont-ils disponibles ?

À qui profite la mesure ? Pour qui l’information sera-t-elle transparente ? – Et donc, pour qui ne le sera-t-elle pas ?

Quels sont les coûts pour acquérir ces métriques ?

Qui demande des chiffres et pourquoi ?

Comment et par qui ces mesures sont-elles faites (notamment pour souligner que bien souvent les métriques des uns ne devraient pas être celles des autres) ?

Comment corrompre vos chiffres ou faire diversion sur les objectifs ?

Souvenez-vous enfin que reconnaître ses limites est le début de la sagesse. Tout ne peut pas être amélioré par des chiffres. Et rendre un problème plus transparent par des chiffres peut rendre le problème plus saillant sans le rendre plus soluble.

Les métriques ne sont pas là pour remplacer le jugement, rappelle Muller, mais plutôt pour l’informer. Et pour cela, cela nécessite aussi de savoir quel poids donner aux mesures, savoir reconnaître ce qu’elles déforment, apprécier aussi ce qui n’est pas mesurable.

Oui, Jerry Muller semble égrainer des évidences. Mais c’est pour mieux souligner combien les chiffres participent à nous les faire perdre de vue. Souvenons-nous de ce que disait Dan Ariely : la précision, l’exactitude, l’immédiateté, la granularité ou la transparence ne sont pas toujours les meilleures façons de présenter les choses. La précision des chiffres ne rend pas les données plus utiles. Parfois produire des données moins fines, des indicateurs sans chiffres… sont des options qui peuvent aisément remplacer des données qui calculent mal ce qu’elles sont censées calculer… Trop souvent, les chiffres servent à faire passer des jugements dans les biais qui les masquent. La précision des chiffres, bien souvent, comme le rappelle le journaliste spécialiste des données Nicolas Kayser-Bril sur son blog, sert à nous faire croire en leur fiabilité, alors qu’ils sont comme tout savoirs, incertains !

À l’heure où le monde semble si facilement mesurable, souvenons-nous que ces mesures ne produisent pas toujours du sens, au contraire. Comme disait Pablo Jensen, le modèle du social que les chiffres induisent présupposent une forme de social qui n’a rien de la neutralité sous laquelle elle se présente.

Le monde numérique, qui produit des chiffres avec tant de facilité, peine bien souvent à prendre un peu de recul sur la validité des métriques qu’il démultiplie, oubliant de trouver le bon indicateur, qui n’est que rarement celui qui est produit. Sans compter que les indicateurs des uns ont tendance à devenir les indicateurs des autres, alors que trop souvent les métriques devraient être différentes et différenciées, afin que les indicateurs des uns ne soient pas nécessairement les indicateurs des autres.

La facilité à produire une tyrannie ne doit pas nous faire oublier ce que nous produisons. Si nous avons les moyens de la produire, il nous faut nous interroger sur comment y résister et comment réduire, atténuer voire contester cette production. Si nous sommes capables d’imposer une tyrannie, il faut nous interroger sur comment la défaire.

Source : Hubert Guillaud,  http://internetactu.blog.lemonde.fr/2018/09/29/de-la-tyrannie-des-chiffres/

ASCII MATH Syntax

Source : http://asciimath.org/

Syntax

Most AsciiMath symbols attempt to mimic in text what they look like rendered, like oo for $\infty$ . Many symbols can also be displayed using a TeX alternative, but a preceeding backslash is not required.

Operation symbols
Type	TeX alt	See
+		$+$
-		$-$
*	cdot	$\cdot$
**	ast	$*$
***	star	$⋆$
//		$/$
\\	backslash setminus	$\\$
xx	times	$\times$
-:	div	$\div$
\|><	ltimes	$⋉$
><\|	rtimes	$⋊$
\|><\|	bowtie	$⋈$
@	circ	$\circ$
o+	oplus	$\oplus$
ox	otimes	$\otimes$
o.	odot	$⊙$
sum		$\sum$
prod		$\prod$
^^	wedge	$\land$
^^^	bidwedge	$⋀$
vv	vee	$\lor$
vvv	bigvee	$⋁$
nn	cap	$\cap$
nnn	bigcap	$⋂$
uu	cup	$\cup$
uuu	bigcup	$⋃$

Miscellaneous symbols
Type	TeX alt	See
2/3	frac{2}{3}	$\frac{2}{3}$
2^3		$2^{3}$
sqrt x		$\sqrt{x}$
root(3)(x)		$\sqrt[3]{x}$
int		$\int$
oint		$\oint$
del	partial	$\partial$
grad	nabla	$\nabla$
+-	pm	$\pm$
O/	emptyset	$\emptyset$
oo	infty	$\infty$
aleph		$ℵ$
:.	therefore	$∴$
:'	because	$∵$
\|...\|	\|ldots\|	$\| ... \|$
\|cdots\|		$\| \dots \|$
vdots		$⋮$
ddots		$⋱$
\|\ \|		$\| \|$
\|quad\|		$\| \|$
/_	angle	$∠$
frown		$⌢$
/_\	triangle	$△$
diamond		$⋄$
square		$□$
\|__	lfloor	$⌊$
__\|	rfloor	$⌋$
\|~	lceiling	$⌈$
~\|	rceiling	$⌉$
CC		$C$
NN		$N$
QQ		$Q$
RR		$R$
ZZ		$Z$
"hi"	text(hi)	$hi$

Relation symbols
Type	TeX alt	See
=		$=$
!=	ne	$\neq$
<	lt	$<$
>	gt	$>$
<=	le	$\leq$
>=	ge	$\geq$
-<	prec	$≺$
-<=	preceq	$⪯$
>-	succ	$≻$
>-=	succeq	$⪰$
in		$\in$
!in	notin	$\notin$
sub	subset	$\subset$
sup	supset	$\supset$
sube	subseteq	$\subseteq$
supe	supseteq	$\supseteq$
-=	equiv	$\equiv$
~=	cong	$≅$
~~	approx	$\approx$
prop	propto	$\propto$

Logical symbols
Type	TeX alt	See
and		$and$
or		$or$
not	neg	$\neg$
=>	implies	$\Rightarrow$
if		$if$
<=>	iff	$\Leftrightarrow$
AA	forall	$\forall$
EE	exists	$\exists$
_\|_	bot	$⊥$
TT	top	$⊤$
\|--	vdash	$⊢$
\|==	models	$⊨$

Grouping brackets
Type	TeX alt	See
(		$($
)		$)$
[		$[$
]		$]$
{		${$
}		$}$
(:	langle	$⟨$
🙂	rangle	$⟩$
<<		$⟨$
>>		$⟩$
{: x )		$x)$
( x :}		$(x$
abs(x)		$\| x \|$
floor(x)		$⌊ x ⌋$
ceil(x)		$⌈ x ⌉$
norm(vecx)		$∥ \to x ∥$

Arrows
Type	TeX alt	See
uarr	uparrow	$↑$
darr	downarrow	$↓$
rarr	rightarrow	$\to$
->	to	$\to$
>->	rightarrowtail	$↣$
->>	twoheadrightarrow	$↠$
>->>	twoheadrightarrowtail	$⤖$
\|->	mapsto	$\mapsto$
larr	leftarrow	$\leftarrow$
harr	leftrightarrow	$\leftrightarrow$
rArr	Rightarrow	$\Rightarrow$
lArr	Leftarrow	$\Leftarrow$
hArr	Leftrightarrow	$\Leftrightarrow$

Accents
Type	TeX alt	See
hat x		$ˆ x$
bar x	overline x	$¯ x$
ul x	underline x	$x - -$
vec x		$\to x$
dot x		$. x$
ddot x		$.. x$
overset(x)(=)	overset(x)(=)	$x =$
underset(x)(=)		$= x$
ubrace(1+2)	underbrace(1+2)	$1 + 2     $
obrace(1+2)	overbrace(1+2)	$     1 + 2$
color(red)(x)		$x$
cancel(x)		$x$

Greek Letters
Type	See	Type	See
alpha	$α$
beta	$β$
gamma	$γ$	Gamma	$Γ$
delta	$δ$	Delta	$Δ$
epsilon	$ε$
varepsilon	$ɛ$
zeta	$ζ$
eta	$η$
theta	$θ$	Theta	$Θ$
vartheta	$ϑ$
iota	$ι$
kappa	$κ$
lambda	$λ$	Lambda	$Λ$
mu	$μ$
nu	$ν$
xi	$ξ$	Xi	$Ξ$
pi	$π$	Pi	$Π$
rho	$ρ$
sigma	$σ$	Sigma	$Σ$
tau	$τ$
upsilon	$υ$
phi	$ϕ$	Phi	$Φ$
varphi	$φ$
chi	$χ$
psi	$ψ$	Psi	$Ψ$
omega	$ω$	Omega	$Ω$

Font commands
Type	See
bb "AaBbCc"	$AaBbCc$
bbb "AaBbCc"	$AaBbCc$
cc "AaBbCc"	$AaBbCc$
tt "AaBbCc"	$AaBbCc$
fr "AaBbCc"	$AaBbCc$
sf "AaBbCc"	$AaBbCc$

Standard Functions

sin, cos, tan, sec, csc, cot, arcsin, arccos, arctan, sinh, cosh, tanh, sech, csch, coth, exp, log, ln, det, dim, mod, gcd, lcm, lub, glb, min, max, f, g.

Special Cases

Matrices: [[a,b],[c,d]] yields to $[\begin{matrix} a & b c & d \end{matrix}]$

Column vectors: ((a),(b)) yields to $(\begin{matrix} a b \end{matrix})$

Matrices can be used for layout: {(2x,+,17y,=,23),(x,-,y,=,5):} yields ${\begin{matrix} 2 x & + & 17 y & = & 23 x & - & y & = & 5 \end{matrix}$

Complex subscripts: lim_(N->oo) sum_(i=0)^N yields to $lim N \to \infty N \sum i = 0$

Subscripts must come before superscripts: int_0^1 f(x)dx yields to $\int_{0}^{1} f (x) d x$

Derivatives: f'(x) = dy/dx yields $f' (x) = \frac{d y}{d x}$
For variables other than x,y,z, or t you will need grouping symbols: (dq)/(dp) for $\frac{d q}{d p}$

Overbraces and underbraces: ubrace(1+2+3+4)_("4 terms") yields $_{    } 4 terms$ .
obrace(1+2+3+4)^("4 terms") yields $4 terms^{    }$ .

Attention: Always try to surround the > and < characters with spaces so that the html parser does not confuse it with an opening or closing tag!

The Grammar

Here is a definition of the grammar used to parse AsciiMath expressions. In the Backus-Naur form given below, the letter on the left of the ::= represents a category of symbols that could be one of the possible sequences of symbols listed on the right. The vertical bar | separates the alternatives.

v ::= [A-Za-z] | greek letters | numbers | other constant symbols
u ::= sqrt | text | bb | other unary symbols for font commands
b ::= frac | root | stackrel | other binary symbols
l ::= ( | [ | { | (: | {: | other left brackets
r ::= ) | ] | } | 🙂 | :} | other right brackets
S ::= v | lEr | uS | bSS             Simple expression
I ::= S_S | S^S | S_S^S | S          Intermediate expression
E ::= IE | I/I                       Expression

Mann -Whitney - Wilcoxon TEST - EXAMPLES

Tests with Matched Samples

Mann Whitney U Test (Wilcoxon Rank Sum Test)

The modules on hypothesis testing presented techniques for testing the equality of means in two independent samples. An underlying assumption for appropriate use of the tests described was that the continuous outcome was approximately normally distributed or that the samples were sufficiently large (usually n₁> 30 and n₂> 30) to justify their use based on the Central Limit Theorem. When comparing two independent samples when the outcome is not normally distributed and the samples are small, a nonparametric test is appropriate.

A popular nonparametric test to compare outcomes between two independent groups is the Mann Whitney U test. The Mann Whitney U test, sometimes called the Mann Whitney Wilcoxon Test or the Wilcoxon Rank Sum Test, is used to test whether two samples are likely to derive from the same population (i.e., that the two populations have the same shape). Some investigators interpret this test as comparing the medians between the two populations. Recall that the parametric test compares the means (H₀: μ₁=μ₂) between independent groups.

In contrast, the null and two-sided research hypotheses for the nonparametric test are stated as follows:

H₀: The two populations are equal versus

H₁: The two populations are not equal.

This test is often performed as a two-sided test and, thus, the research hypothesis indicates that the populations are not equal as opposed to specifying directionality. A one-sided research hypothesis is used if interest lies in detecting a positive or negative shift in one population as compared to the other. The procedure for the test involves pooling the observations from the two samples into one combined sample, keeping track of which sample each observation comes from, and then ranking lowest to highest from 1 to n₁+n₂, respectively.

Example:

Consider a Phase II clinical trial designed to investigate the effectiveness of a new drug to reduce symptoms of asthma in children. A total of n=10 participants are randomized to receive either the new drug or a placebo. Participants are asked to record the number of episodes of shortness of breath over a 1 week period following receipt of the assigned treatment. The data are shown below.

Placebo	7	5	6	4	12
New Drug	3	6	4	2	1

Is there a difference in the number of episodes of shortness of breath over a 1 week period in participants receiving the new drug as compared to those receiving the placebo? By inspection, it appears that participants receiving the placebo have more episodes of shortness of breath, but is this statistically significant?

In this example, the outcome is a count and in this sample the data do not follow a normal distribution.

Frequency Histogram of Number of Episodes of Shortness of Breath

Frequency histogram of episodes of shortness of breath

In addition, the sample size is small (n₁=n₂=5), so a nonparametric test is appropriate. The hypothesis is given below, and we run the test at the 5% level of significance (i.e., α=0.05).

H₀: The two populations are equal versus

H₁: The two populations are not equal.

Note that if the null hypothesis is true (i.e., the two populations are equal), we expect to see similar numbers of episodes of shortness of breath in each of the two treatment groups, and we would expect to see some participants reporting few episodes and some reporting more episodes in each group. This does not appear to be the case with the observed data. A test of hypothesis is needed to determine whether the observed data is evidence of a statistically significant difference in populations.

The first step is to assign ranks and to do so we order the data from smallest to largest. This is done on the combined or total sample (i.e., pooling the data from the two treatment groups (n=10)), and assigning ranks from 1 to 10, as follows. We also need to keep track of the group assignments in the total sample.

		Total Sample (Ordered Smallest to Largest)		Ranks
Placebo	New Drug	Placebo	New Drug	Placebo	New Drug
7	3		1		1
5	6		2		2
6	4		3		3
4	2	4	4	4.5	4.5
12	1	5		6
		6	6	7.5	7.5
		7		9
		12		10

Note that the lower ranks (e.g., 1, 2 and 3) are assigned to responses in the new drug group while the higher ranks (e.g., 9, 10) are assigned to responses in the placebo group. Again, the goal of the test is to determine whether the observed data support a difference in the populations of responses. Recall that in parametric tests (discussed in the modules on hypothesis testing), when comparing means between two groups, we analyzed the difference in the sample means relative to their variability and summarized the sample information in a test statistic. A similar approach is employed here. Specifically, we produce a test statistic based on the ranks.

First, we sum the ranks in each group. In the placebo group, the sum of the ranks is 37; in the new drug group, the sum of the ranks is 18. Recall that the sum of the ranks will always equal n(n+1)/2. As a check on our assignment of ranks, we have n(n+1)/2 = 10(11)/2=55 which is equal to 37+18 = 55.

For the test, we call the placebo group 1 and the new drug group 2 (assignment of groups 1 and 2 is arbitrary). We let R₁ denote the sum of the ranks in group 1 (i.e., R₁=37), and R₂denote the sum of the ranks in group 2 (i.e., R₂=18). If the null hypothesis is true (i.e., if the two populations are equal), we expect R₁ and R₂ to be similar. In this example, the lower values (lower ranks) are clustered in the new drug group (group 2), while the higher values (higher ranks) are clustered in the placebo group (group 1). This is suggestive, but is the observed difference in the sums of the ranks simply due to chance? To answer this we will compute a test statistic to summarize the sample information and look up the corresponding value in a probability distribution.

Test Statistic for the Mann Whitney U Test

The test statistic for the Mann Whitney U Test is denoted U and is the smaller of U₁ and U₂, defined below.

equation image indicator

where R₁ = sum of the ranks for group 1 and R₂ = sum of the ranks for group 2.

For this example,

equation image indicator

In our example, U=3. Is this evidence in support of the null or research hypothesis? Before we address this question, we consider the range of the test statistic U in two different situations.

Situation #1

Consider the situation where there is complete separation of the groups, supporting the research hypothesis that the two populations are not equal. If all of the higher numbers of episodes of shortness of breath (and thus all of the higher ranks) are in the placebo group, and all of the lower numbers of episodes (and ranks) are in the new drug group and that there are no ties, then:

equation image indicator

and

equation image indicator

Therefore, when there is clearly a difference in the populations, U=0.

Situation #2

Consider a second situation where low and high scores are approximately evenly distributed in the two groups, supporting the null hypothesis that the groups are equal. If ranks of 2, 4, 6, 8 and 10 are assigned to the numbers of episodes of shortness of breath reported in the placebo group and ranks of 1, 3, 5, 7 and 9 are assigned to the numbers of episodes of shortness of breath reported in the new drug group, then:

equation image indicator R₁= 2+4+6+8+10 = 30 and R₂= 1+3+5+7+9 = 25,

and

equation image indicator

When there is clearly no difference between populations, then U=10.

Thus, smaller values of U support the research hypothesis, and larger values of U support the null hypothesis.

Key Concept:

For any Mann-Whitney U test, the theoretical range of U is from 0 (complete separation between groups, H₀ most likely false and H₁ most likely true) to n₁*n₂ (little evidence in support of H₁).

In every test, U₁+U₂ is always equal to n₁*n₂. In the example above, U can range from 0 to 25 and smaller values of U support the research hypothesis (i.e., we reject H₀if U is small). The procedure for determining exactly when to reject H₀ is described below.

In every test, we must determine whether the observed U supports the null or research hypothesis. This is done following the same approach used in parametric testing. Specifically, we determine a critical value of U such that if the observed value of U is less than or equal to the critical value, we reject H₀ in favor of H₁ and if the observed value of U exceeds the critical value we do not reject H₀.

The critical value of U can be found in the table below. To determine the appropriate critical value we need sample sizes (for Example: n₁=n₂=5) and our two-sided level of significance (α=0.05). For Example 1 the critical value is 2, and the decision rule is to reject H₀ if U < 2. We do not reject H₀ because 3 > 2. We do not have statistically significant evidence at α =0.05, to show that the two populations of numbers of episodes of shortness of breath are not equal. However, in this example, the failure to reach statistical significance may be due to low power. The sample data suggest a difference, but the sample sizes are too small to conclude that there is a statistically significant difference.

Table of Critical Values for U

Example:

A new approach to prenatal care is proposed for pregnant women living in a rural community. The new program involves in-home visits during the course of pregnancy in addition to the usual or regularly scheduled visits. A pilot randomized trial with 15 pregnant women is designed to evaluate whether women who participate in the program deliver healthier babies than women receiving usual care. The outcome is the APGAR score text annotation indicator measured 5 minutes after birth. Recall that APGAR scores range from 0 to 10 with scores of 7 or higher considered normal (healthy), 4-6 low and 0-3 critically low. The data are shown below.

Usual Care	8	7	6	2	5	8	7	3
New Program	9	9	7	8	10	9	6

Is there statistical evidence of a difference in APGAR scores in women receiving the new and enhanced versus usual prenatal care? We run the test using the five-step approach.

Step 1. Set up hypotheses and determine level of significance.

H₀: The two populations are equal versus

H₁: The two populations are not equal. α =0.05

Step 2. Select the appropriate test statistic.

Because APGAR scores are not normally distributed and the samples are small (n₁=8 and n₂=7), we use the Mann Whitney U test. The test statistic is U, the smaller of

equation image indicator

where R₁ and R₂ are the sums of the ranks in groups 1 and 2, respectively.

Step 3. Set up decision rule.

The appropriate critical value can be found in the table above. To determine the appropriate critical value we need sample sizes (n₁=8 and n₂=7) and our two-sided level of significance (α=0.05). The critical value for this test with n₁=8, n₂=7 and α =0.05 is 10 and the decision rule is as follows: Reject H₀ if U < 10.

Step 4. Compute the test statistic.

The first step is to assign ranks of 1 through 15 to the smallest through largest values in the total sample, as follows:

		Total Sample (Ordered Smallest to Largest)		Ranks
Usual Care	New Program	Usual Care	New Program	Usual Care	New Program
8	9	2		1
7	8	3		2
6	7	5		3
2	8	6	6	4.5	4.5
5	10	7	7	7	7
8	9	7		7
7	6	8	8	10.5	10.5
3		8	8	10.5	10.5
			9		13.5
			9		13.5
			10		15
				R₁=45.5	R₂=74.5

Next, we sum the ranks in each group. In the usual care group, the sum of the ranks is R₁=45.5 and in the new program group, the sum of the ranks is R₂=74.5. Recall that the sum of the ranks will always equal n(n+1)/2. As a check on our assignment of ranks, we have n(n+1)/2 = 15(16)/2=120 which is equal to 45.5+74.5 = 120.

We now compute U₁ and U₂, as follows:

equation image indicator

Thus, the test statistic is U=9.5.

Step 5. Conclusion:

We reject H₀ because 9.5 < 10. We have statistically significant evidence at α =0.05 to show that the populations of APGAR scores are not equal in women receiving usual prenatal care as compared to the new program of prenatal care.

Example:

A clinical trial is run to assess the effectiveness of a new anti-retroviral therapy for patients with HIV. Patients are randomized to receive a standard anti-retroviral therapy (usual care) or the new anti-retroviral therapy and are monitored for 3 months. The primary outcome is viral load which represents the number of HIV copies per milliliter of blood. A total of 30 participants are randomized and the data are shown below.

Standard Therapy	7500	8000	2000	550	1250	1000	2250	6800	3400	6300	9100	970	1040	670	400
New Therapy	400	250	800	1400	8000	7400	1020	6000	920	1420	2700	4200	5200	4100	undetectable

Is there statistical evidence of a difference in viral load in patients receiving the standard versus the new anti-retroviral therapy?

Step 1. Set up hypotheses and determine level of significance.

H₀: The two populations are equal versus

H₁: The two populations are not equal. α=0.05

Step 2. Select the appropriate test statistic.

Because viral load measures are not normally distributed (with outliers as well as limits of detection (e.g., "undetectable")), we use the Mann-Whitney U test. The test statistic is U, the smaller of

equation image indicator

where R₁ and R₂ are the sums of the ranks in groups 1 and 2, respectively.

Step 3. Set up the decision rule.

The critical value can be found in the table of critical values based on sample sizes (n₁=n₂=15) and a two-sided level of significance (α=0.05). The critical value 64 and the decision rule is as follows: Reject H₀ if U < 64.

Step 4. Compute the test statistic.

The first step is to assign ranks of 1 through 30 to the smallest through largest values in the total sample. Note in the table below, that the "undetectable" measurement is listed first in the ordered values (smallest) and assigned a rank of 1.

		Total Sample (Ordered Smallest to Largest)		Ranks
Standard Anti-retroviral	New Anti-retroviral	Standard Anti-retroviral	New Anti-retroviral	Standard Anti-retroviral	New Anti-retroviral
7500	400		undetectable		1
8000	250		250		2
2000	800	400	400	3.5	3.5
550	1400	550		5
1250	8000	670		6
1000	7400		800		7
2250	1020		920		8
6800	6000	970		9
3400	920	1000		10
6300	1420		1020		11
9100	2700	1040		12
970	4200	1250		13
1040	5200		1400		14
670	4100		1420		15
400	undetectable	2000		16
		2250		17
			2700		18
		3400		19
			4100		20
			4200		21
			5200		22
			6000		23
		6300		24
		6800		25
			7400		26
		7500		27
		8000	8000	28.5	28.5
		9100		30
				R₁ = 245	R₂ = 220

Next, we sum the ranks in each group. In the standard anti-retroviral therapy group, the sum of the ranks is R₁=245; in the new anti-retroviral therapy group, the sum of the ranks is R₂=220. Recall that the sum of the ranks will always equal n(n+1)/2. As a check on our assignment of ranks, we have n(n+1)/2 = 30(31)/2=465 which is equal to 245+220 = 465. We now compute U₁ and U₂, as follows,

equation image indicator

Thus, the test statistic is U=100.

Step 5. Conclusion.

We do not reject H₀ because 100 > 64. We do not have sufficient evidence to conclude that the treatment groups differ in viral load.

APPARIED

This section describes nonparametric tests to compare two groups with respect to a continuous outcome when the data are collected on matched or paired samples. The parametric procedure for doing this was presented in the modules on hypothesis testing for the situation in which the continuous outcome was normally distributed. This section describes procedures that should be used when the outcome cannot be assumed to follow a normal distribution. There are two popular nonparametric tests to compare outcomes between two matched or paired groups. The first is called the Sign Test and the second the Wilcoxon Signed Rank Test.

Recall that when data are matched or paired, we compute difference scores for each individual and analyze difference scores. The same approach is followed in nonparametric tests. In parametric tests, the null hypothesis is that the mean difference (μ_d) is zero. In nonparametric tests, the null hypothesis is that the median difference is zero.

Example:

Consider a clinical investigation to assess the effectiveness of a new drug designed to reduce repetitive behaviors in children affected with autism. If the drug is effective, children will exhibit fewer repetitive behaviors on treatment as compared to when they are untreated. A total of 8 children with autism enroll in the study. Each child is observed by the study psychologist for a period of 3 hours both before treatment and then again after taking the new drug for 1 week. The time that each child is engaged in repetitive behavior during each 3 hour observation period is measured. Repetitive behavior is scored on a scale of 0 to 100 and scores represent the percent of the observation time in which the child is engaged in repetitive behavior. For example, a score of 0 indicates that during the entire observation period the child did not engage in repetitive behavior while a score of 100 indicates that the child was constantly engaged in repetitive behavior. The data are shown below.

Child	Before Treatment	After 1 Week of Treatment
1	85	75
2	70	50
3	40	50
4	65	40
5	80	20
6	75	65
7	55	40
8	20	25

Looking at the data, it appears that some children improve (e.g., Child 5 scored 80 before treatment and 20 after treatment), but some got worse (e.g., Child 3 scored 40 before treatment and 50 after treatment). Is there statistically significant improvement in repetitive behavior after 1 week of treatment?.

Because the before and after treatment measures are paired, we compute difference scores for each child. In this example, we subtract the assessment of repetitive behaviors after treatment from that measured before treatment so that difference scores represent improvement in repetitive behavior. The question of interest is whether there is significant improvement after treatment.

Child	Before Treatment	After 1 Week of Treatment	Difference (Before-After)
1	85	75	10
2	70	50	20
3	40	50	-10
4	65	40	25
5	80	20	60
6	75	65	10
7	55	40	15
8	20	25	-5

In this small sample, the observed difference (or improvement) scores vary widely and are subject to extremes (e.g., the observed difference of 60 is an outlier). Thus, a nonparametric test is appropriate to test whether there is significant improvement in repetitive behavior before versus after treatment. The hypotheses are given below.

H₀: The median difference is zero versus

H₁: The median difference is positive α=0.05

In this example, the null hypothesis is that there is no difference in scores before versus after treatment. If the null hypothesis is true, we expect to see some positive differences (improvement) and some negative differences (worsening). If the research hypothesis is true, we expect to see more positive differences after treatment as compared to before.

The Sign Test

The Sign Test is the simplest nonparametric test for matched or paired data. The approach is to analyze only the signs of the difference scores, as shown below:

Child	Before Treatment	After 1 Week of Treatment	Difference (Before-After)	Sign
1	85	75	10	+
2	70	50	20	+
3	40	50	-10	-
4	65	40	25	+
5	80	20	60	+
6	75	65	10	+
7	55	40	15	+
8	20	25	-5	-

If the null hypothesis is true (i.e., if the median difference is zero) then we expect to see approximately half of the differences as positive and half of the differences as negative. If the research hypothesis is true, we expect to see more positive differences.

Test Statistic for the Sign Test

The test statistic for the Sign Test is the number of positive signs or number of negative signs, whichever is smaller. In this example, we observe 2 negative and 6 positive signs. Is this evidence of significant improvement or simply due to chance?

Determining whether the observed test statistic supports the null or research hypothesis is done following the same approach used in parametric testing. Specifically, we determine a critical value such that if the smaller of the number of positive or negative signs is less than or equal to that critical value, then we reject H₀ in favor of H₁ and if the smaller of the number of positive or negative signs is greater than the critical value, then we do not reject H₀. Notice that this is a one-sided decision rule corresponding to our one-sided research hypothesis (the two-sided situation is discussed in the next example).

Table of Critical Values for the Sign Test

The critical values for the Sign Test are in the table below.

To determine the appropriate critical value we need the sample size, which is equal to the number of matched pairs (n=8) and our one-sided level of significance α=0.05. For this example, the critical value is 1, and the decision rule is to reject H₀ if the smaller of the number of positive or negative signs < 1. We do not reject H₀ because 2 > 1. We do not have sufficient evidence at α=0.05 to show that there is improvement in repetitive behavior after taking the drug as compared to before. In essence, we could use the critical value to decide whether to reject the null hypothesis. Another alternative would be to calculate the p-value, as described below.

Computing P-values for the Sign Test

With the Sign test we can readily compute a p-value based on our observed test statistic. The test statistic for the Sign Test is the smaller of the number of positive or negative signs and it follows a binomial distribution with n = the number of subjects in the study and p=0.5 (See the module on Probability for details on the binomial distribution). In the example above, n=8 and p=0.5 (the probability of success under H₀).

By using the binomial distribution formula:

equation image indicator

we can compute the probability of observing different numbers of successes during 8 trials. These are shown in the table below.

x=Number of Successes	P(x successes)
0	0.0039
1	0.0313
2	0.1094
3	0.2188
4	0.2734
5	0.2188
6	0.1094
7	0.0313
8	0.0039

Recall that a p-value is the probability of observing a test statistic as or more extreme than that observed. We observed 2 negative signs. Thus, the p-value for the test is: p-value = P(x <2). Using the table above,

equation image indicator

Because the p-value = 0.1446 exceeds the level of significance α=0.05, we do not have statistically significant evidence that there is improvement in repetitive behaviors after taking the drug as compared to before. Notice in the table of binomial probabilities above, that we would have had to observe at most 1 negative sign to declare statistical significance using a 5% level of significance. Recall the critical value for our test was 1 based on the table of critical values for the Sign Test (above).

One-Sided versus Two-Sided Test

In the example looking for differences in repetitive behaviors in autistic children, we used a one-sided test (i.e., we hypothesize improvement after taking the drug). A two sided test can be used if we hypothesize a difference in repetitive behavior after taking the drug as compared to before. From the table of critical values for the Sign Test, we can determine a two-sided critical value and again reject H₀ if the smaller of the number of positive or negative signs is less than or equal to that two-sided critical value. Alternatively, we can compute a two-sided p-value. With a two-sided test, the p-value is the probability of observing many or few positive or negative signs. If the research hypothesis is a two sided alternative (i.e., H₁: The median difference is not zero), then the p-value is computed as: p-value = 2*P(x < 2). Notice that this is equivalent to p-value = P(x < 2) + P(x > 6), representing the situation of few or many successes. Recall in two-sided tests, we reject the null hypothesis if the test statistic is extreme in either direction. Thus, in the Sign Test, a two-sided p-value is the probability of observing few or many positive or negative signs. Here we observe 2 negative signs (and thus 6 positive signs). The opposite situation would be 6 negative signs (and thus 2 positive signs as n=8). The two-sided p-value is the probability of observing a test statistic as or more extreme in either direction (i.e.,

equation image indicator

When Difference Scores are Zero

There is a special circumstance that needs attention when implementing the Sign Test which arises when one or more participants have difference scores of zero (i.e., their paired measurements are identical). If there is just one difference score of zero, some investigators drop that observation and reduce the sample size by 1 (i.e., the sample size for the binomial distribution would be n-1). This is a reasonable approach if there is just one zero. However, if there are two or more zeros, an alternative approach is preferred.

If there is an even number of zeros, we randomly assign them positive or negative signs.
If there is an odd number of zeros, we randomly drop one and reduce the sample size by 1, and then randomly assign the remaining observations positive or negative signs. The following example illustrates the approach.

Example:

A new chemotherapy treatment is proposed for patients with breast cancer. Investigators are concerned with patient's ability to tolerate the treatment and assess their quality of life both before and after receiving the new chemotherapy treatment. Quality of life (QOL) is measured on an ordinal scale and for analysis purposes, numbers are assigned to each response category as follows: 1=Poor, 2= Fair, 3=Good, 4= Very Good, 5 = Excellent. The data are shown below.

Patient	QOL Before Chemotherapy Treatment	QOL After Chemotherapy Treatment
1	3	2
2	2	3
3	3	4
4	2	4
5	1	1
6	3	4
7	2	4
8	3	3
9	2	1
10	1	3
11	3	4
12	2	3

The question of interest is whether there is a difference in QOL after chemotherapy treatment as compared to before.

Step 1. Set up hypotheses and determine level of significance.

H₀: The median difference is zero versus

H₁: The median difference is not zero α=0.05

Step 2. Select the appropriate test statistic.

The test statistic for the Sign Test is the smaller of the number of positive or negative signs.

Step 3. Set up the decision rule.

The appropriate critical value for the Sign Test can be found in the table of critical values for the Sign Test. To determine the appropriate critical value we need the sample size (or number of matched pairs, n=12), and our two-sided level of significance α=0.05.

The critical value for this two-sided test with n=12 and a =0.05 is 2, and the decision rule is as follows: Reject H₀ if the smaller of the number of positive or negative signs < 2.

Step 4. Compute the test statistic.

Because the before and after treatment measures are paired, we compute difference scores for each patient. In this example, we subtract the QOL measured before treatment from that measured after.

Patient	QOL Before Chemotherapy Treatment	QOL After Chemotherapy Treatment	Difference (After-Before)
1	3	2	-1
2	2	3	1
3	3	4	1
4	2	4	2
5	1	1	0
6	3	4	1
7	2	4	2
8	3	3	0
9	2	1	-1
10	1	3	2
11	3	4	1
12	2	3	1

We now capture the signs of the difference scores and because there are two zeros, we randomly assign one negative sign (i.e., "-" to patient 5) and one positive sign (i.e., "+" to patient 8), as follows:

Patient	QOL Before Chemotherapy Treatment	QOL After Chemotherapy Treatment	Difference (After-Before)	Sign
1	3	2	-1	-
2	2	3	1	+
3	3	4	1	+
4	2	4	2	+
5	1	1	0	-
6	3	4	1	+
7	2	4	2	+
8	3	3	0	+
9	2	1	-1	-
10	1	3	2	+
11	3	4	1	+
12	2	3	1	+

The test statistic is the number of negative signs which is equal to 3.

Step 5. Conclusion.

We do not reject H₀ because 3 > 2. We do not have statistically significant evidence at α=0.05 to show that there is a difference in QOL after chemotherapy treatment as compared to before.

We can also compute the p-value directly using the binomial distribution with n = 12 and p=0.5. The two-sided p-value for the test is p-value = 2*P(x < 3) (which is equivalent to p-value = P(x < 3) + P(x > 9)). Again, the two-sided p-value is the probability of observing few or many positive or negative signs. Here we observe 3 negative signs (and thus 9 positive signs). The opposite situation would be 9 negative signs (and thus 3 positive signs as n=12). The two-sided p-value is the probability of observing a test statistic as or more extreme in either direction (i.e., P(x < 3) + P(x > 9)). We can compute the p-value using the binomial formula or a statistical computing package, as follows:

equation image indicator

Because the p-value = 0.1460 exceeds the level of significance (α=0.05) we do not have statistically significant evidence at α =0.05 to show that there is a difference in QOL after chemotherapy treatment as compared to before.

Key Concept:

In each of the two previous examples, we failed to show statistical significance because the p-value was not less than the stated level of significance. While the test statistic for the Sign Test is easy to compute, it actually does not take much of the information in the sample data into account. All we measure is the difference in participant's scores, and do not account for the magnitude of those differences.

Equation de la chaleur : Simulation numérique

La simulation numérique de l'équation de la chaleur pose parfois quelques problèmes, et pas seulement de capacité de calcul. Nous allons voir en effet que tous les algorithmes ne sont pas équivalents, loin de là...

Nous vous proposons ci-dessous des illustrations des phénomènes décrits dans ce texte, ainsi que les programmes qui ont servi à sa réalisations. Ceux-ci sont commentés, afin que vous puissiez si vous le voulez les modifier sans trop de difficulté, et tester ainsi les méthodes mises en jeu avec vos propres paramètres.

Table des matières

Résumé, position du problème
Méthode explicite
Méthode implicite

Résumé, position du problème

Nous nous intéressons ici au traitement numérique de l'équation de la chaleur :

Nous considérons ce problème sur un domaine borné en espace (0 < x < 1), et pour des temps positifs (t > 0). Nous imposons également les conditions initales et de bord suivantes :

Rappelons que la solution exacte du problème est alors la fonction :

Connaissant cette solution exacte, il nous est possible d'apprécier la qualité des différentes méthodes numériques, de calcul approché de cette solution. Dans tous les cas, nn se donne donc un pas spatial h, c'est-à-dire que l'on cherche à calculer les valeurs de notre solution u aux points d'abscisse 0, h, 2h,..., 1. On doit aussi se restreindre à un ensemble discret d'instants auxquels on prétend calculer ces valeurs, on fixe donc un pas temporel ket l'on cherchera à calculer les valeurs de u aux instants k, 2k, 3k, ...
u_iⁿ désignera la valeur calculée (approchée) de la solution à l'instant nk et au point d'abscisse i h.
Voici des animations illustrant les différences entre deux méthodes de résolution numérique.

Un premier essai : méthode explicite

Pour cette méthode, on approche la dérivée temporelle par le rapport (u_iⁿ⁺¹ - u_iⁿ)/k ; et la dérivée seconde par rapport à la variable d'espace par le rapport (u_i+1ⁿ + u_i-1ⁿ -2 u_iⁿ)/h².
L'équation de la chaleur discrétisée est ici :C'est le modèle utilisé dans l'illustration ci-contre. Disponible également, le programme chaleurexpl, version matlab ou scilab.

Code source de l'applet.

N.B. Les plus patient observerons que la méthode semble marcher pour les deux plus petites valeurs de k. C'est normal : elles sont en dessous du seuil déterminé dans le texte !

Deuxième essai : méthode implicite

La seule différence par rapport à la méthode précédente est que cette fois, on approche la dérivée temporelle par le rapport (u_iⁿ - u_i^n-1)/k.
Après décalage d'indices, l'équation de la chaleur discrétisée est cette fois :Là aussi, ce modèle est illustré ci-contre. Disponible également, le programme chaleurimpl, version matlab ou scilab.

Code source de l'applet.

N.B. La courbe semble un peu moins régulière pour les petites valeurs de k, ce qui est troublant, puisque l'on s'attend à ce que la méthode soit plus précise lorsque le pas temporel est petit. En réalité, il n'en est rien : il y a un peu de "bruit" dû à des problèmes d'arrondis (nécessaires dans tout calcul numérique) quel que soit le pas temporel, mais lorsque celui-ci est plus grand, la courbe bouge plus à chaque étape de calcul et de ce fait on perçoit moins ce phénomène.

Pour les explications de ces phénomènes, nous renvoyons une fois de plus au texte...
Source : Thomas Chomette, version ps ou pdf.

"D’après une étude" : cet imparable argument d’autorité...

« D’après une étude » : cet imparable argument d’autorité...

« Les couches-culottes sont toxiques pour les bébés, d’après une étude »… « D’après une étude, les gens qui se parlent à eux-mêmes seraient des génies »… « D’après une étude, le spoiler est bon pour vous »… Il ne se passe pas un jour sans que les médias (que je consulte) utilisent cette formule. Certains des articles sont très bien écrits et, rapportant ce qui a été fait dans l’étude, permettent réellement au lecteur de se faire une opinion argumentée. D’autres se contentent d’un gros titre et de quelques considérations générales, attrayantes, mais pas étayées. C’est là que le bât blesse.

Publis. European Southern Observatory/Flickr, CC BY

En creusant un peu, on se rend vite compte que, pour chaque étude montrant un résultat « blanc », il y en a au moins une autre qui montre un résultat « noir ». Alors, pourquoi se fier plus à l’une qu’à l’autre ? Parce qu’elle a été relayée davantage par les (multi-)médias ? Parce qu’elle est attribuée à « une université prestigieuse » ou à un « grand professeur » ? Ou encore parce qu’elle a été qualifiée de « très sérieuse » ? Parce qu’elle a été mieux faite ? Ce dernier argument est peut-être celui qui tombe le mieux sous le sens. À condition de savoir décortiquer ces fameuses études. Voici un mode d’emploi et quelques recommandations d’usage.

Les dessous d’« une étude… »

Il existe plusieurs formats pour la publication des articles scientifiques, mais tous ont en commun une structure, concrète, efficace, souvent éloignée de la belle histoire que l’on peut en tirer a posteriori. « Une étude », c’est un titre, des auteurs, un résumé, une introduction, des méthodes, des résultats, une discussion, des remerciements, des références.

Description scientifique en 1904 d’une nouvelle espèce d’araignée, *Pacificana cockayni*. H.R. Hogg/The Annals and Magazine of Natural History

D’abord un titre. C’est la première chose qu’on lit. Certains sont accrocheurs, mais ils peuvent manquer de nuances, et laisser entendre beaucoup plus qu’ils n’ont vraiment à dire. De plus, les retranscriptions ne sont pas toujours fidèles. Un matin (le 6 février 2017), j’ai tapé « d’après une étude » dans mon moteur de recherche, et sur la première page, j’ai cliqué sur le lien « D’après une étude, les femmes codent mieux que les hommes » qui m’a renvoyé vers le site du journal Le Parisien. De là, j’ai accédé à l’article original intitulé « Gender biais in open source : pull request acceptance of women versus men ». Il est bien question d’hommes et de femmes, mais ce que dit le titre de l’article initial, ce n’est pas que les femmes codent mieux que les hommes, juste qu’il y a une différence entre les deux sexes que les chercheurs souhaitent comparer. Aussi bien écrit que soit l’article en ligne du Parisien, on notera simplement que l’étiquette ne correspond pas complètement au produit.

Puis, des auteurs. Des humains donc. Des humains qui signent leur article et qui en assument donc la responsabilité intellectuelle. Les auteurs assurent, s’il y a lieu, le service après-vente de leur article. Une critique constructive ? Des compléments à apporter ? Des interrogations légitimes ? Les auteurs peuvent – et doivent – y répondre. Leur nom est toujours accompagné par leur affiliation, c’est-à-dire l’université ou l’institut de recherche qui les emploie.

Un article de *Cell*, revue réputée en biologie. Cell

Le nombre des auteurs signataires d’un article est très variable d’une étude à l’autre. Il existe un ensemble de règles définissant quelles sont les contributions de chacun qui justifient de signer. Elles sont plus ou moins suivies à la lettre, mais en général, sont considérées comme auteurs toutes les personnes qui ont élaboré l’étude, analysé et interprété les données, rédigé, apporté des critiques constructives ayant permis de renforcer la qualité de l’article. Les personnes qui ont acquis les données sont, selon les cas, considérées comme auteurs ou remerciés à la fin de l’article.

Plusieurs anonymes participent également à améliorer la valeur de l’article avant sa publication. Ce sont les reviewers, c’est-à-dire les deux ou trois spécialistes que l’éditeur contacte pour émettre un avis critique et constructif sur l’article que lui ont soumis les auteurs. Les échanges entre les auteurs, l’éditeur et les reviewers permettent de lever les ambiguïtés quant aux méthodes et aux interprétations et constituent une manière de valider la solidité des résultats et de leurs interprétations. Une sorte de contrôle qualité.

Le résumé n’est qu’un résumé

Le résumé (ou abstract) est aussi synthétique que possible. S’il est bien écrit, il informe sur ce qui a motivé l’étude, sur les grandes lignes de la méthodologie employée, il donne les principaux résultats et les principales conclusions que les auteurs en tirent, à la lumière de la question posée. Toutefois, le résumé n’est qu’un résumé. Souvent moins de 300 mots. C’est très court pour rendre compte de plusieurs mois, voire années, de travail. C’est surtout trop court pour apporter toutes les nuances nécessaires pour comprendre les résultats sans les sur-interpréter. Malgré les efforts déployés, le nombre d’articles en accès libre pour le lecteur reste encore très limité de sorte que le citoyen curieux n’a souvent accès qu’au résumé de l’article. Toutefois, on espère (qu’en est-il, vraiment ?) que ceux qui le retranscrivent pour grand public ont eu accès à sa version intégrale.

L’introduction… introduit l’article. Elle énonce le contexte de l’étude, pose les concepts et détaille les hypothèses de travail. C’est souvent la partie la plus accessible et la plus didactique de l’article. Tout simplement parce que ses auteurs veulent être bien compris par leurs lecteurs ! J’ai l’habitude de dire aux étudiants que j’encadre que si l’introduction est bien écrite, alors à la fin, le lecteur doit être en mesure de formuler lui même les hypothèses testées par les auteurs.

Ce qui fait la différence fondamentale entre un article scientifique et toute autre forme d’écrit scientifique à destination du grand public, c’est la partie matériels et méthodes. Si je lis sur mon paquet de dentifrice que 90 % des personnes interrogées sont satisfaites par le produit, alors je me demande 90 % de combien ? Est-ce que 9 personnes sur 10 interrogées ont été satisfaites, ou bien 900 sur 1000 ? Et puis satisfaites de quoi ? Sur quels critères a été évaluée la satisfaction ? Comment les utilisateurs ont-ils été interrogés (questionnaire numérique, papier, interview, téléphone…) ? Et comment ont il été choisis ? Au hasard ? Dans plusieurs régions ? Les a-t-on rémunérés ? Ont-ils reçu des offres promotionnelles en remerciement ? C’est à ce genre de questions, légitimes, que doit répondre la partie matériels et méthodes.

À elle seule, cette partie peut occuper plus du tiers de la longueur de l’article ! Voyez là comme la retranscription détaillée du protocole que les auteurs ont utilisé. Une sorte de recette de cuisine. Si cette partie est aussi détaillée, c’est pour permettre la reproductibilité de l’étude. De l’étude. Pas nécessairement du résultat.

Partant de là, on comprend bien que les résultats d’une étude ne valent rien en tant que tels s’ils ne sont pas présentés dans un contexte général et si l’on n’a qu’une idée floue de la manière dont ils ont été obtenus (comprenez : les 90 % de satisfaction de mon tube de dentifrice ne valent pas grand-chose). D’autant que la partie résultats des articles scientifique est d’une lecture que je qualifierai « d’aride ». Des chiffres. Des pourcentages. Des moyennes. Des intervalles de confiance. Des tableaux et des figures. Des faits, rien que des faits. Pas d’interprétation. Pas encore.

Première revue scientifique en France, 1665. Journal des scavans

Les interprétations ne viennent que dans la partie qualifiée de « discussion ». C’est là que les auteurs interprètent leurs résultats à la lumière des hypothèses qu’ils ont formulées. Quand je rédige la discussion de mes articles, je dois donner à mon lecteur tous les éléments qui lui permettent de replacer mes résultats dans un cadre plus large que celui de mon étude. Je lui montre en quoi l’article qu’il est en train de lire constitue une avancée dans la compréhension d’un problème. Aussi objectif que j’essaie d’être, et avec tous les garde-fous imaginables, il est permis qu’un lecteur, sur la base des résultats, ait des interprétations si ce n’est différentes, au moins nuancées. Et c’est tant mieux !

La discussion peut aller au-delà des seuls faits et proposer des interprétations et des implications plus générales, pour peu que je les argumente en confrontant mes résultats à ceux présentés dans d’autres articles. Cela implique de mentionner tout aussi bien les études qui vont dans le même sens que mes résultats que les études montrant l’exact opposé : « J’ai montré que X. Ce résultat est conforme à la théorie Y selon laquelle… et qui est confirmée par les travaux de Doe et coll. 1999, Durand et coll. 2003, Martin et coll. 2015. Cependant, mon résultat est contraire à l’idée proposée par Dupont et Dupond 2007 selon laquelle… ». Et de comparer les approches expérimentales des uns et des autres pour expliquer les points de convergence et de désaccord.

La discussion contextualise donc les résultats présentés. Implicitement, tous les auteurs de toutes les études – je crois – admettent la règle selon laquelle des résultats ne sont valables que dans le cadre théorique et méthodologique dans lequel ils ont été établis. Si des extrapolations sont possibles, elles doivent être faites avec beaucoup de prudence.

Entendons-nous bien : la spéculation est saine si elle est étayée. Elle stimule le débat. Toutefois, les perspectives et implications des études que présentent les auteurs à la fin de leurs articles (en général) ne doivent en aucun cas être confondues avec les conclusions qui, elles, se fondent sur des résultats.

Cela peut paraître anecdotique, mais il est toujours intéressant de jeter un œil aux quelques lignes de remerciements qui précèdent la liste des références. C’est notamment là que sont mentionnés les sources de financement qui ont permis de réaliser l’étude. La question n’est pas de chercher systématiquement à remettre en question le contenu d’une étude sur la seule base de sa source de financement, mais si conflit d’intérêt il y à, il devrait être indiqué dans ce paragraphe.

De ce qui précède, on aura pu lire entre les lignes qu’en fin de compte, ce qui est nouveau dans « une étude », ce sont les résultats. Le reste de l’article emprunte à d’autres publications pour présenter le contexte, décrire des outils et des méthodes, étayer des arguments. Pour rendre à César ce qu’il lui appartient, et permettre à chacun de suivre ou de vérifier les arguments des auteurs, à chaque affirmation est associée une ou plusieurs références dont la liste est systématiquement fournie, dans le détail, à la fin de chaque article.

« Une étude », non, des études oui

La science n’est pas un catalogue de résultats publiés dans lequel chacun peut aller piocher les arguments qui abondent dans son sens ou contredisent les arguments du voisin : ce que les Anglo-saxons appellent joliment le cherry-picking. C’est un processus dynamique qui répond à un certain nombre de critères de qualité dont les plus importants sont la transparence et la reproductibilité.

La science, c’est avant tout une démarche, et une démarche exigeante. Toutes les études sont dignes d’intérêt, à condition d’être transparentes et que leur message s’appuie sur une méthodologie claire et des résultats interprétés dans la limite des conditions fixées par l’étude. Face à un contradicteur, clamer « si, c’est vrai, je l’ai lu dans une étude » n’est pas satisfaisant, parce que votre contradicteur pourra brandir une autre étude tout aussi valable. Il est normal que des études se contredisent. Si vous voulez jouer, prononcez les mots « OGM » et « bio » pendant un repas de famille, vous verrez ! C’est en confrontant des résultats opposés que l’on avance et que, petit à petit on arrive à mieux délimiter les contours d’une hypothèse, de ce qui est bien établi de ce qui fait débat.

Evitons les raccourcis

Sortir « une étude » de son contexte et la réduire à ses résultats en occultant la méthode qui a permis de l’obtenir relève au mieux de la négligence, au pire de la désinformation. Extrapoler les résultats de « une étude » en dehors du contexte dans lequel ils ont été établis relève de l’ignorance ou de la prise de position et ne devrait se faire qu’au conditionnel. Pas à l’indicatif. Et toujours en rappelant les éléments de méthodes supportant les résultats.

Qu’il n’y ait pas de méprise. Il est évident que le citoyen n’a pas à se plonger dans la lecture des études en elles-mêmes (pour peu qu’il y ait accès) et qu’il doit pouvoir faire confiance aux journalistes. Mais il est tout aussi important qu’il garde un esprit critique sur ce qu’il lit et qu’il n’oublie jamais deux choses primordiales :

La science est écrite par des humains, avec tous les défauts et leurs qualités.
Les « études » relayées par les médias et les réseaux sociaux ont fait l’objet de plusieurs digestions et régurgitations par d’autres humains. Plus il y a d’intermédiaires entre les auteurs de « une étude » et les lecteurs, moins la bouillie finale garde les saveurs du produit d’origine.

Ah, oui, et cet article aussi est rédigé par un humain, aussi (im)partial qu’un autre. Faites-en ce que vous voulez.

Source : March 12, 2017 Bastien Castagneyrol : http://theconversation.com/dapres-une-etude-cet-imparable-argument-dautorite-74413

Combien y a-t-il de litres d’urine dans une piscine municipale ? La science répond

Des chercheurs ont tenté de vérifier si les piscines municipales contenaient bien des traces d’urine dans l’eau.

Un acte qui fait habituellement tache, mais qui ne se voit pas dans l’eau. Uriner dans une piscine municipale est une pratique antisociale et difficilement acceptable. Pourtant, tout le monde le sait : des nageurs font pipi dans le bassin, même si vous n’êtes pas loin d’eux. Pour en avoir le cœur net, des chercheurs ont tenté de savoir si cette légende était vraie.
Illustration d'enfants, en plein cours de natation.

Illustration d'enfants, en plein cours de natation.

Après avoir fait des prélèvements dans 31 piscines publiques, réparties dans deux villes canadiennes, la chercheuse Lindsay Blackstock et son équipe ont décelé à chaque reprise la présence d’urine dans l’eau. D'après leurs calculs, environ 75 litres d’urine se trouveraient dans un bassin de taille moyenne (environ un tiers d’une piscine olympique) et 30 litres dans un petit bassin. Le «Guardian», qui relate la nouvelle, précise que 75 litres équivalent à la contenance d’une poubelle de rue.

Si l’étude fait sourire, elle montre bien que les gens ne se gênent pas pour se soulager dans l’eau plutôt que de faire un voyage au petit coin. «Nous voulons utiliser cette étude pour promouvoir l’éducation du public sur les pratiques d’hygiène», a déclaré Lindsay Blackstock, avant de poursuivre : «Nous devrions tous être prévenants envers les autres et nous assurer de quitter la piscine pour utiliser les toilettes lorsque la nature appelle».

Ces résultats ne sont pas étonnants. Dans un sondage anonyme publié en 2012, 19% des adultes (interrogés aux Etats-Unis) avaient déclaré avoir uriné au moins une fois dans leur piscine municipale. Et les nageurs professionnels seraient encore plus sales. L’homme le plus médaillé de l’histoire des Jeux Olympiques Michael Phelps a convenu que c’était un «comportement acceptable». «Je pense que tout le monde pisse dans la piscine. Le chlore l’élimine, donc ce n’est pas mauvais», disait-il peu avant les JO de Londres. Or, on a vu plus haut que l’urine avait sa place dans les bassins traités. Les chercheurs préviennent que sur le long terme, l’urine pourrait provoquer de l’asthme et des irritations respiratoires quand elle était mélangée avec certains désinfectants.A l’avenir, ils suggèrent alors d’utiliser leur méthode d’analyse pour tester les bassins. Contrairement aux idées reçues, il n’existe pas de produits qui changeraient la couleur de l’eau à l'encontre d'un pipi soudain.

Source : Combien y a-t-il de litres d’urine dans une piscine municipale ? La science répond

Les mathématiques du café-filtre

Les secrets mathématiques d'un bon café filtre

Comment tirer le maximum des grains de café ? S'il reste utile de demander leur avis aux meilleurs baristas du monde, la réponse viendra peut-être de la science.

Le saviez-vous ? Votre tasse de café ne comprend pas moins de 1800 composés chimiques différents.

CAFÉ FILTRE. Grand mère n'est pas la seule à savoir faire du bon café : les mathématiques aussi ont leur mot à dire. Cafetières à filtre, à piston, ou encore machines à expresso... ce ne sont pas les moyens qui manquent pour se concocter un petit noir. Mais comment optimiser des facteurs comme les dimensions et la forme de la cafetière à filtre, la température de l'eau, ou encore l'aération du café afin de doser au plus subtil la concentration en café du brevage ?

En fait, le tirage du café s'assimile à une extraction solide-liquide, procédé qu'on sait modéliser en termes mathématiques... Et c'est là que l'irlandais Kevin Moroney et son équipe entrent en jeu. Leur dernière publication, parue dans le SIAM Journal on Applied Mathematics, présente un modèle multiscalaire (c'est à dire valide à petite comme à large échelle) capable de décrire assez finement l'extraction du café à travers son filtre... et ce en prenant en compte tous les paramètres utiles, y compris la taille des grains de café et leur porosité, c'est dire le niveau de précision.

À haute pression dans un percolateur à expresso ou à pression atmosphérique dans un simple entonnoir à café filtre, servir un café repose sur les mêmes bases chimiques que l'extraction solide-liquide. © K. Moroney et al.

Des modèles forts de café

"La plupart des modèles mathématiques décrivant l'extraction du café sont simplifiés, car ils considèrent que celle-ci se produit dans un système homogène", explique Kevin Moroney, auteur principal. Une approximation qui est peut-être valide pour les très grandes cuves dans lesquelles on brasse le café avant de le transformer en café lyophilisé, mais pas pour les appareils individuels. "Notre modèle, même s'il opère aussi certaines approximations, s'intéresse à la vitesse d'extraction en la décrivant à partir des caractéristiques des grains de café, et notamment leur porosité. De quoi prédire l'efficacité d'une cafetière à partir des caractéristiques des grains de café, de la température de l'eau et du type d'équipement utilisé", poursuit-il.

L'idée d'une équipe de mathématiciens mettant le café en équations peut prêter à sourire, en particulier lors de la pause café. Mais contrairement aux apparences il s'agit d'un enjeu sérieux pour les fabricants, l'un des auteurs travaillant notamment pour Philips Research. "Les mécanismes relatifs aux machines à expresso et aux cafetières industrielles ont été bien étudiés, mais les mathématiques appliquées s'étaient jusque là peu penchées sur les cafetières à filtre, qui représentent pourtant 55 % des machines à café vendues en Europe", justifie encore Kevin Moroney. Et si demain, les cafetières à filtre individuelles devenaient intelligentes, et capable de concocter la tasse idéale, celle la plus adaptée à votre goût ? Nespresso n'a qu'a bien se tenir.

Acoustic Prism

Acoustic Prism Invented at EPFL

09.08.16 - EPFL scientists have invented a new type of “acoustic prism” that can split a sound into its constituent frequencies. Their acoustic prism has applications in sound detection.

Almost 400 years ago, Newton showed that a prism could split white light into the colors of the rainbow, with each colour corresponding to a different wave frequency. Such an “optical prism” relies on a physical phenomenon (refraction) to split light into its constituent frequencies.

Now, a prism exists for sound. Hervé Lissek and his team at EPFL have invented an "acoustic prism" that splits sound into its constituent frequencies using physical properties alone. Its applications in sound detection are published in the Journal of the Acoustical Society of America.

The acoustic prism is entirely man-made, unlike optial prisms, which occur naturally in the form of water droplets. Decomposing sound into its constituent frequencies relies on the physical interaction between a sound wave and the structure of the prism. The acoustic prism modifies the propagation of each individual frequency of the sound wave, without any need of computations or electronic components.

Acoustic Prism Invented at EPFL
New type of "acoustic prism” that can split a sound into its frequencies.

The acoustic prism

The acoustic prism looks like a rectangular tube made of aluminum, complete with ten, perfectly aligned holes along one side. Each hole leads to an air-filled cavity inside the tube, and a membrane is placed between two consecutive cavities.

When sound is directed into the tube at one end, high-frequency components of the sound escape out of the tube through the holes near the source, while low frequencies escape through the holes that are further away, towards the other end of the tube. Like light through an optical prism, the sound is dispersed, with the dispersion angle depending on the wave’s frequency.

The membranes are key, since they vibrate and transmit the sound to the neighboring cavities with a delay that depends on frequency. The delayed sound then leaks through the holes and towards the exterior, dispersing the sound.

To take the concept a step further, the researchers realized that they could use the acoustic prism as an antenna to locate the direction of a distant sound by simply measuring its frequency. Since each dispersion angle corresponds to a particular frequency, it’s enough to measure the main frequency component of an incoming sound to determine where it is coming from, without actually moving the prism.

The principle of the acoustic prism relies on the design of cavities, ducts and membranes, which can be easily fabricated and even miniaturized, possibly leading to cost-effective angular sound detection without resorting to expensive microphone arrays or moving antennas.

Source : Acoustic Prism Invented at EPFL

Spurious Correlations

Why do these things correlate? These 15 correlations will blow your mind. (Is this headline sensationalist enough for you to click on it yet?)

Source : Spurious Correlations

LA SUCCESSIONE DI FIBONACCI NELLA FILLOTASSI

http://amslaurea.unibo.it/1371/1/resta_laura_tesi.pdf

La première classe en avion, catalyseur de colère

Le monde moderne regorge d'occasions de piquer une crise de nerfs. Au point que les Américains ont inventé une classification pour ces pertes de sang-froid. La plus classique est la road rage, la fureur du conducteur coincé dans un embouteillage et qui ouvre sa portière pour faucher le vingt-sixième motard qui le dépasse. On a la computer rage, où un ordinateur est criblé de balles – ou bien passe vraiment par la fenêtre – quand, après trois heures de mise à jour, s'inscrit sur l'écran la mention « La transition vers Windows 10 a échoué. Veuillez recommencer. » Vous avez aussi la wrap rage, la rage de l'emballage, qui surgit lorsque le plastique protégeant le produit que vous avez acheté refuse de céder – et ce en dépit de la mention « Ouverture facile » –, au point que tous les ustensiles coupants ou perçants qui vous tombent sous la main (ciseaux, cutter, rasoir, pic à glace, etc.) sont bons pour... couper ou percer cette même main.

Et, enfin, il y a l'air rage, la colère de l'air, cet énervement explosif qui s'empare d'un voyageur aérien, à 30 000 pieds d'altitude, lorsque le siège de devant s'abaisse droit sur son nez, alors qu'il est penché sur sa barquette de moussaka tiédasse. Ainsi que le fait remarquer une étude publiée le 2 mai dans les Proceedings de l'Académie des sciences américaine, il n'existe aucune recherche sur le sujet et, pour expliquer la colère de l'air, on évoque en général des avions bondés, des sièges étroits ou rapprochés, le temps mis à s'enregistrer sur le vol ou à embarquer, etc. Les deux auteurs de cet article, Katherine DeCelles (université de Toronto) et Michael Norton (Harvard Business School), ont une théorie différente : pour eux, l'aéronef, avec ses classes (première, business, économique), est une microcosme où, en raison de la configuration de la cabine et du mode d'embarquement, les inégalités sociales flagrantes deviennent des catalyseurs de pétage de plomb.

Pour tester leur hypothèse, ils ont décortiqué une base de données que leur a fournie une grande compagnie aérienne. Elle recensait des millions de vols et quelques milliers d'incidents y afférents, répartis sur plusieurs années. Etaient également indiqués les caractéristiques du vol, le modèle de l'avion, le nombre de passagers, etc. Le duo de chercheurs a voulu savoir si la probabilité pour que se déclenche une rixe de cabine était plus importante quand il y avait une première classe et quand on embarquait par l'avant de l'appareil, ce qui oblige les voyageurs de la classe économique à passer près des richards allongés dans leurs fauteuils, qui se font servir du champagne et du caviar alors qu'on balancera aux pauvres serrés comme des sardines un paquet de cacahuètes et un demi-sandwich club rassis, arrosé du fameux jus-de-tomate-qu'on-ne-boit-que-dans-l'avion. Résultat : la simple présence d'une première classe quadruplait presque le risque de révolte en classe économique. Et le fait d'embarquer par l'avant – et donc de baver devant l'opulence des nantis – multipliait par plus de 2 ledit risque par rapport à un embarquement par le milieu.

L'étude a mis en lumière un résultat encore plus surprenant : la probabilité pour qu'une colère de l'air se déclenche chez les privilégiés de première était multipliée par 12 (!) s'ils avaient vu défiler la plèbe. Les auteurs supposent que la vision de la basse caste, en provoquant inconsciemment des sentiments de supériorité et de mépris, exacerbent la tendance des rupins à se conduire comme des malotrus pleins d'arrogance.

Source : Pierre Barthélémy - Le Monde

Is Eye-Rolling Innate or Learned? - The Atlantic

Why 13-Year-Old Girls Are the Queens of Eye-Rolling

As far as facial expressions go, the eye-roll is one of the more deliberate forms of expressing contempt.

If there’s a clear age when eye-rolling begins, researchers haven’t yet identified it. What they have found, though, is that girls and women are society’s dominant eye rollers—and anyone who has been a teenager knows that plenty of girls have perfected the art by middle school.

“Eye-rolling is much more likely to occur in female teenagers than in male teenagers,” said Marianne LaFrance, a psychology professor at Yale University who studies facial expressions. “Among 13-year-old girls, it is a premiere way of indicating rejection or contempt, often in the context of bullying. So it’s really meant to be seen. It’s done with purpose.”

The purpose in many cases is to clearly demonstrate that you are not exactly thrilled with someone, thankyouverymuch. Whereas adolescent boys might shout or shove, a conflict with a teenaged girl is more likely to be punctuated with an exaggerated glance skyward than a swinging of the fist.

“The eyes play a particularly important part in communication, so one would expect that they would be a prominent feature of nonverbal aggression,” wrote the authors of a 2012 paper on facial expressions and aggression in teenaged girls. In another study, in 1999, a group of girls in California described eye-rolling as a major component of what they referred to as “the look.”

“It begins with eye contact or a stare and, especially in females, often involves eye-rolling and tossing back the head,” wrote the authors of the 2012 paper, referring to the earlier research. “The look was reported in their study to be only used in same-gender interactions, and conveys contempt. The girls in our study similarly reported ‘daggers’ as being something that was directed only at other girls but, unlike the Californian girls, there was a belief that boys do not use it at all.”

Regardless of who the target is, eye-rolling isn’t usually involuntary like some of the other expressions that flicker across our faces. But that doesn’t mean humans are always rolling their eyes for show, either. In one study, researchers asked women to sit at computer terminal, put on headphones, and listen to a series of jokes—some making fun of lawyers or other professionals, others disparaging to women. The women were asked to record their responses to the jokes on the computers as they listened. What the participants didn’t know was that they were also being videotaped, so that researchers could map their facial expressions as they reacted.

“We coded a number of facial expressions,” LaFrance, the Yale psychologist, told me, “and [in response to the sexist jokes], we found eye-rolling was not infrequent. Even though they were sitting there alone, when you see it, it really looks deliberate—whereas lots of other facial expressions are really automatic.”

That may not always be the case, however. “There’s also some evidence in the medical literature that it’s a tic, and it’s actually been found in Tourette’s syndrome and some other syndromes that show some involuntary muscle movement,” LaFrance said.

Culturally speaking, though, eye-rolling is clearly one of the emotive underpinnings to contempt. In fact, the psychologist John Gottman describes eye-rolling as one of the main features among what he describes as the “four horsemen” of relationship discord. Eye-rolling is an indicator of contempt, Gottman says, and contempt is a major predictor of divorce. (The other “four horsemen,” along with contempt, include stonewalling, defensiveness, and criticism.) “And it’s something that women are more likely to do rather than something more aggressive, even yelling,” LaFrance told me.

The telltale sign for an eye-roll, if it’s not clear you’ve encountered one, is the little smirk that often comes at the end. “The way we measure that is that it’s asymmetrical,” LaFrance said. “It’s much more likely to occur on one side of the mouth.” That same little half-smile is how LaFrance and her colleagues became convinced that Pat Christie, the wife of New Jersey Governor Chris Christie, was rolling her eyes at a recent Donald Trump campaign event, after Trump said, “The only thing [Hillary Clinton’s] got going is the woman’s card. And the beautiful thing is women don’t like her.”

“Chris Christie, of course, argues it wasn’t an eye-roll, that she was looking around,” LaFrance said. “I’ve spent years studying these expressions. There’s a very small smile that suggests that it is an eye-roll.”

And although the academic study of eye-rolling is still relatively sparse—it mostly comes up in the context of broader inquiry into facial expression—the larger cultural record of the practice is vast. There are references to eye-rolling in Shakespeare and throughout literature. (Though, as Forrest Wickman wrote for Slate in 2013, eye-rolling was often associated with lust up until the mid-20th century.)

Eye-rolling is also, quite possibly, uniquely human.

Monkeys don’t roll their eyes, even though they do follow one another’s gazes the way a human does, according to a primate researcher at Yale, Laurie Santos. And though LaFrance says she can’t rule out the idea of other animals as eye-rollers, she hasn’t yet heard of one. “It may be something that we humans can say is ours,” she said.

L’Académie américaine des sciences publie un rapport favorable aux OGM

Pour ces scientifiques, les cultures génétiquement modifiées ne présenteraient pas plus de risques environnementaux et pour la santé que les récoltes conventionnelles.

Après avoir analysé près de 900 études sur les organismes génétiquement modifiés (OGM), l’Académie américaine des sciences a rendu mardi 17 mai un rapport visant à « obtenir une nouvelle perspective sur l’ensemble des données portant sur les OGM et les cultures développées par des méthodes conventionnelles ». Les scientifiques concluent que les cultures OGM ne présentent apparemment pas plus de risques environnementaux et pour la santé que les récoltes conventionnelles.

Ils émettent cependant des réserves, admettant « la difficulté à détecter des effets subtils ou à long terme sur la santé ou l’environnement », des produits contenant des OGM. Mais, insistent-ils, les données existantes « n’ont pas décelé de différences dans les risques pour les humains entre les cultures OGM et les récoltes conventionnelles ». Ils font un constat similaire pour l’environnement, tout en reconnaissant le fait que les études épidémiologiques à long terme n’ont pas ciblé les effets de laconsommation de produits OGM comme le soja et le maïs ou des pommes et des pommes de terre.

Si la résistance développée par les insectes nuisibles à ces cultures est « un sérieux problème pour l’agriculture », relèvent-ils encore, il est évitable avec une stratégie adaptée.

« Difficile de tirer des conclusions définitives »

Les auteurs insistent sur l’importance de recourir aux nouvelles technologies de la génomique pour détecter la moindre modification imprévue dans les caractéristiques des nouvelles variétés de récoltes. Et ce, que ces dernières soient génétiquement modifiées ou pas : les unes et les autres « doivent subir des tests de sécurité ».

Selon le rapport, certaines indications laissent penser que les récoltes OGM résistantes aux insectes seraient bienfaisantes. Elles permettraient de réduire l’usage des insecticides et n’ont pas réduit la diversité des plantes et des insectes dans les exploitations agricoles concernées.

Tout en précisant que des transferts de gènes de cultures OGM à des espèces sauvages se sont produits, les experts rappellent qu’aucun effet environnemental néfaste n’a été observé. Mais ils soulignent que « la complexité d’évaluer les changements à long terme dans l’environnement rend difficile de tirer des conclusions définitives ». Pour l’Académie des sciences, les agences de réglementation devraient avoir l’autorité d’imposer une surveillance environnementale pour des effets inattendus des cultures OGM.
En savoir plus sur http://www.lemonde.fr/planete/article/2016/05/17/l-academie-americaine-des-sciences-publie-un-rapport-favorable-aux-ogm_4921108_3244.html#lTpJlyO9QtytXCXf.99

Source : L’Académie américaine des sciences publie un rapport favorable aux OGM

Lo studio: i ricchi sono più solitari

Chi ha un reddito elevato passa in media 10 minuti in più in solitudine al giorno. I poveri hanno una rete sociale più forte fatta di familiari e vicini di casa. Lo dice un censimento che analizza i comportamenti degli americani.

Source : Lo studio: ecco perché i ricchi sono più solitari

Lo studio: ecco perché i ricchi sono più solitari A chiedersi come i soldi influenzino le amicizie sono state Emily Bianchi della Emory University e Kathleen Vohs dell'università del Minnesota, che hanno spulciato 30mila questionari nel General Social Survey, un censimento di lunga data che analizza abitudini e comportamenti degli americani. Nelle loro risposte, i partecipanti devono anche indicare i loro guadagni. Le conclusioni delle ricercatrici sono state pubblicate sulla rivista Social Psychological and Personality Science.

Chi guadagna 5mila dollari all'anno, rispetto a chi ne guadagna 131mila, passa 6,4 sere in più in compagnia ogni anno. I ricchi, ogni giorno, trascorrono 10 minuti in più in solitudine. Quando escono, i più danarosi trascorrono 5,2 serate in più con gli amici rispetto a chi non può permettersi ristoranti o aperitivi. Ma il 25% più ricco del campione, rispetto al 25% più povero, spende 4,6 sere in meno ogni anno con i familiari e 8,3 sere in meno con i vicini o i conoscenti del quartiere.

"Gli studi del passato - scrivono le autrici - avevano dimostrato che il denaro induce autosufficienza e riduce l'interesse per gli altri". Dal dopoguerra a oggi la cerchia delle relazioni sociali di un individuo medio si è andata sempre più restringendo. Il numero di persone che dichiarano di non avere amici intimi o familiari è raddoppiato tra il 1985 e il 2004. Tanto da spingere lo scienziato politico di Harvard Robert Putnam nel 2000 a pubblicare il suo controverso libro "Capitale sociale e individualismo". La colpa, in un primo momento, era stata data proprio al boom economico. "Ma il nostro studio - allargano il discorso Bianchi e Vohs - rivela che il reddito è legato anche alle persone con cui si decide di passare il proprio tempo".

La spiegazione più logica che le due ricercatrici offrono è che più si è poveri più si ha bisogno della famiglia e dei vicini per guardare i bambini, riparare un elettrodomestico, rimediare un passaggio, tagliare il prato. E che difficilmente genitori o cugini accetterebbero di dare una mano se li si vede solo in occasione delle feste. "Chi ha risorse finanziarie limitate - concludono le ricercatrici - preferiscono le relazioni in cui si dà e si riceve aiuto".

Les fourmis sont des guerrières hors pair

Des chercheurs ont mis en scène quatre espèces invasives, montrant leurs stratégies pour gagner un territoire.

Le laboratoire a été transformé en champ de bataille pendant 42 jours. Les paris ont été pris. Et les troupes se sont affrontées sans relâche jusqu'à ce qu'il ne reste plus qu'un vainqueur. La force brute a été utilisée, morsures ou fractures, et aussi des armes chimiques. Plusieurs batailles ont eu lieu: s'il y a eu sur les quatre armées en lice la même vaincue à chaque duel, les vainqueurs eux ont «tourné». Ce n'est pas pour jouer que les chercheurs de l'ESE (laboratoire d'Écologie, Systématique, Évolution, univers Linepithema humile, la fourmi d'Argentine, est originaire d'Amérique du Sud. Cette espèce a colonisé l'ensemble du bassin méditerranéen (Italie, sud de la France, Espagne). ité Paris-Sud-CNRS-AgroParis Tech) ont mis en scène ces affrontements entre quatre espèces de fourmis parmi les plus dangereuses au monde car très agressives et envahissantes. L'invasion biologique est la deuxième menace principale pour la biodiversité après la perte d'habitat. Les scientifiques voulaient savoir comment, à la suite du changement climatique entre autres, ces espèces pouvaient coloniser de nouvelles régions, détruisant les espèces endémiques. Et trouver la meilleure façon d'y remédier.

Modèles prédictifs

Les colonies de fourmis «cobayes», comptant chacune 300 ouvrières et une reine ont été placées dans des boîtes de 55 × 35 × 25 cm (ce qui à l'échelle des fourmis de quelques millimètres est un immense champ). Ces nids étaient remplis d'un substrat (sol, bois, feuilles), de différents points d'eau et de quelques objets (petits blocs de polystyrène). Un tube de 1 cm de diamètre et de 10 de long, muni de coton, permettait de relier les différents groupes entre eux.

Un podium a tout de même été établi selon le nombre de victoires gagnées dans les duels, en termes de pertes fourmilières de chaque colonie. En haut du podium, W. auropunctata, la toute petite fourmi électrique (prélevée en Nouvelle-Calédonie). Derrière, venues du sud de la France,L. neglectus, la fourmi des jardins, et L. humile, la fourmi d'Argentine, sont deuxième et troisième. La grande perdante est P. megacephala, la fourmi à grosse tête (Nouvelle-Calédonie), inexorablement décimée, bien qu'elle possède naturellement 10 % de soldats.

«Cela va aider à affiner des modèles prédictifs en cas d'invasion», explique Franck Courchamp, de l'ESE, responsable de l'étude. «Car nous avons constaté qu'en fonction du contexte et du temps passé les stratégies peuvent être complexes et changer.» Ainsi, les deux espèces les plus résistantes (auropunctata et neglectus) ont eu tendance à employer l'arme chimique (un venin qu'elles peuvent projeter) tandis que les deux autres préféraient le corps à corps physique. Autre différence, megacephala et neglectus passaient immédiatement à l'attaque dans le camp adverse tandis que les deux autres tenaient d'abord des positions défensives avant de s'aventurer prudemment ailleurs. Résultat, plus une colonie de fourmis adoptait la stratégie des Huns, se voulant les émules d'Attila, plus la mortalité de ses troupes était élevée.

«Stratégie machiavélique»

Toutefois, «dans une dernière expérience mettant en concurrence les quatre colonies simultanément, quatre nids et un espace de fourragement commun, le classement des espèces a été complètement différent, raconte Franck Courchamp. Plus malignes, ou moins agressives, les fourmis à grosse tête, jusqu'ici dernières des duels, ont adopté une stratégie machiavélique digne des plus grands stratèges militaires: elles ont attendu en retrait que les trois autres se soient étripées avant d'entrer en scène pour porter le coup de grâce aux autres armées dont les régiments étaient dévastés.»

Les comportements individuels des fourmis sont très différents de l'une à l'autre, selon qu'elles sont seules ou pas, qu'elles se sentent ou non plus fortes que leur adversaire. Certaines travaillent mieux en groupe. D'autres savent «faire le mort». «Nous voulions au départ les cinq espèces les plus dangereuses, se souvient Franck Courchamp. Mais nous n'avons pas pu avoir les autorisations, par crainte de dissémination, pour faire venir un “monstre” de la catégorie, la fourmi de feu (S. invicta), qui ravage le sud-est des États-Unis et, de plus, a des piqûres extrêmement douloureuses.» On ne rigole pas avec les fourmis.

Source : Les fourmis sont des guerrières hors pair

Comment mesurer l’amour

L’homme a pris la mesure du monde, au sens propre comme au figuré. Il l’arpente autant qu’il le soupèse, il l’évalue, le mètre et le calcule. Il a créé des échelles pour presque tout : l’échelle de Beaufort pour la vitesse des vents, l’échelle de Saffir-Simpson pour l’intensité des cyclones, l’échelle de Turin pour la menace que font peser les astéroïdes sur la Terre, des échelles de température (Kelvin, Celsius, Farenheit, Réaumur, etc.), l’échelle de Kinsey pour l’orientation sexuelle,

l’échelle de Bristol pour la typologie des excréments humains (à déconseiller à l’heure des repas), etc. Et, il fallait bien que cela arrive, Homo sapiens a aussi inventé une échelle pour mesurer l’immesurable, classifier l’inclassifiable, rationaliser l’irrationnel de la passion amoureuse, voir de combien de centimètres s’enfonce la flèche de Cupidon.

Image du film "Titanic", de James Cameron. © Paramount Pictures/20th Century Fox.

Pour ma part, j’en étais resté au « Je l’aime, un peu, beaucoup, passionnément, à la folie, pas du tout » des amours enfantines effeuilleuses de marguerites. Mais, cela n’était visiblement pas assez précis, pas assez "quantifiant" pour nos amis en blouse blanche. J’ai découvert l’échelle de l’amour passionnel il y a quelques années au détour d’une étude assez amusante publiée dans PLOS One : des chercheurs y établissaient que, chez des jeunes gens très amoureux, la douleur provoquée par une brûlure était fortement atténuée dès lors que leurs cobayes regardaient une photographie de l’être aimé, un phénomène mettant en jeu le système de récompense installé dans notre cerveau. En lisant cela, je me suis demandé comment on pouvait, objectivement, recruter des personnes très amoureuses. Je me suis donc intéressé à la partie méthodologique de cette étude et j’ai constaté que, pour être sélectionnés, les quinze sujets avaient dû obtenir un score élevé sur la Passionate Love Scale (PLS) qui fête ses trente ans cette année.

Cette échelle de la passion a sans doute déjà due être surexploitée par les magazines féminins tant elle ressemble aux fameux tests psycho « Êtes-vous vraiment amoureuse ? » qui vous font passer le temps dans la salle d’attente du dentiste. J’ai retrouvé l’article original racontant comment cette elle a été très sérieusement mise au point, testée et validée comme fiable. Publié en 1986 dans le Journal of Adolescence, cet article est l’œuvre d’une psychologue et d’une sociologue américaines, Elaine Hatfield et Susan Sprecher. Elles y expliquent comment elles ont intégré dans ce test des composants cognitifs, émotionnels et comportementaux. À partir de ces éléments, elles ont rédigé 165 items dont, au final, seulement 30 ont été retenus pour la PLS normale, et 15 pour la PLS abrégée.

Intéressons-nous à cette dernière. Vous voilà donc en face de 15 affirmations, allant de « Je me sentirais désespéré(e) si Trucmuche me quittait » à « Je sens que mon corps réagit quand Trucmuche me touche ». Il faut noter chacune de ces affirmations de 1 à 9, 1 signifiant « Pas vrai du tout » et 9 « Entièrement vrai ». Faites le total. Si vous avez obtenu entre 106 et 135 points, vous êtes dans la partie la plus extrême et la plus chaude de la passion : vous ne pouvez pas vous empêcher de penser à Trucmuche et, si on vous enfonce des aiguilles rouillées et chauffées à blanc sous les ongles, la simple vue d’une photo de Trucmuche vous ôte toute sensation de douleur... Entre 86 et 105 points, c’est encore le grand amour, avec tout de même moins d’intensité. Plus le score baisse, plus les bouffées passionnelles se font rares. Enfin, si vous avez totalisé moins de 45 points, Trucmuche ne vous attire pas plus qu’une méduse échouée sur une plage. Vous pouvez le (ou la) larguer et vous inscrire sur Meetic. C’est la science qui vous le dit.

Source : Comment mesurer l’amour | Passeur de sciences

Une étude détermine le meilleur moment pour passer un examen

Une étude publiée par l’Académie américaine des sciences révèle le meilleur moment de la journée pour passer et réussir un examen. Au-delà d’une certaine heure, la moyenne chute.

Source : Une étude détermine le meilleur moment pour passer un examen

Les analyses révèlent que passé 8h du matin, un élève perd en moyenne 1% de sa note, chaque heure.

Une étude publiée par l’Académie américaine des sciences révèle le meilleur moment de la journée pour passer et réussir un examen. Au-delà d’une certaine heure, la moyenne chute.

Existe-t-il un bon moment pour passer un examen? D’aucuns vous répondront qu’il n’en existe pas. Ce n’est pas le cas des chercheurs du Centre pour la recherche sociale danoise. Dans leur dernière étude, ces derniers démontrent que la meilleure période serait le matin. Nos fonctions cognitives seraient au maximum de leurs capacités.

Cela équivaut à 10 jours d’absence scolaire

Pour réaliser cette étude, les chercheurs ont analysé plus de 2 millions de résultats d’examens, passés par des enfants âgés de 8 à 15 ans. Ils ont ainsi répertorié l’heure et le jour durant lequel le test était passé. Les analyses révèlent que passé 8h du matin, un élève perd en moyenne 1 % de sa note, chaque heure. Cela ne paraît pas beaucoup, mais en réalité cela équivaut à 10 jours d’absence scolaire. Logiquement les élèves en difficulté sont les plus sensibles à cet élément.

Les chercheurs ont conclu que les étudiants étaient plus efficaces au petit matin car ils ne sont pas fatigués des heures de cours et autres activités. Le Huffington Post rapporte une déclaration du docteur Hans Henrik Sievertsen, chercheur spécialisé dans l’éducation et principal auteur de l’étude. «S’ils ont un examen tard dans la journée, il faut prendre en compte le fait qu’ils sont restés 4h en classe avant» explique-t-il.

Faire des pauses permet de booster sa productivité

Cette étude confirme les informations déjà établies concernant la fatigue cognitive, qui se déclare lorsque nous dépensons de l’énergie en faisant des tâches qui demandent de la réflexion. Le docteur Sievertsen précise. «Notre habilité à nous concentrer, prendre des décisions et réagir est affectée par la fatigue cognitive, et les études ont démontré que des pauses peuvent booster la productivité».

Prendre des pauses peut donc faire la différence et améliorer les résultats d’un étudiant. Entre 20 et 30 minutes sont nécessaires pour augmenter environ 1,7% de la note. Actuellement les chercheurs tentent d’identifier quel genre de pause est la plus bénéfique entre manger une friandise, laisser son esprit divaguer ou encore aller se balader à l’air frais...

Vu dans : http://etudiant.lefigaro.fr/les-news/actu/detail/article/le-meilleur-moment-pour-passer-un-examen-est-le-19371/

La "Robin Hood" della scienza, 47 milioni di articoli accademici pubblicati online

http://www.repubblica.it/scienze/2016/02/23/news/pubblicazioni_scientifiche-134065467/
Alexandra Elbakyan, una programmatrice kazaka stufa dei costi esorbitanti delle riviste scientifiche, ha fondato Sci-Hub. Dopo le denunce dell'editore Elsevier, il sito originale è stato costretto a chiudere. Ma lei non si è arresa: l'ha riaperto usando un altro indirizzo e ha aggiunto anche una versione nel deep web

___________________di ROSITA RIJTANO__________________________

L'HANNO definita la Robin Hood della scienza. Tanto che sulla bacheca del suo profilo Facebook c'è persino una proposta per candidarla al Nobel, più decine di messaggi di ringraziamento. Arrivano dal Pakistan, dall'India, dalla Colombia. Chi la considera un modello, chi un'eroina, chi una delinquente. Ma la rossa Alexandra Elbakyan delude le attese: non è niente di ciò. Ha solo le idee molto chiare: leggere le riviste scientifiche a pagamento costa troppo, l'informazione è potere, la conoscenza deve essere accessibile. A tutti. Così ha riversato nel web 47 milioni di articoli accademici, mettendoli a disposizione di chiunque, gratis. Ed è agguerrita, non ha alcuna intenzione di fermarsi, nonostante le ripetute denunce di Elsevier: il maggiore editore scientifico e medico del mondo.

Una battaglia iniziata nel 2011. Per necessità. "Stavo preparando la tesi di laurea", ci racconta. "E dovevo consultare quasi cento paper. Il costo di ognuno di loro è di circa 20 dollari: una follia". Da qui l'esigenza di bypassare i blocchi. È la nascita di Sci-Hub: un programma che permette di ottenere le ricerche protette da abbonamento attraverso i network universitari. Il funzionamento: quando un utente chiede uno degli articoli in questione, il servizio lo scarica da un ateneo sottoscritto a quel determinato database. Ne consegna una copia a chi l'ha richiesta. E un'altra la conserva nei propri server, in modo che rimanga a disposizione. "All'inizio il sistema non aveva l'obiettivo di liberare la conoscenza. Era solo uno strumento per facilitare la vita dei ricercatori, semplificando il download: rendendolo più veloce e conveniente". Poi il cambiamento. Il nuovo motto adottato? "Rimuovere tutte le barriere sulle vie della scienza".

A partire da questo momento, come si legge nella descrizione in homepage, Sci-Hub diventa il "primo sito al mondo a fornire accesso pubblico, e di massa, a decine di milioni di ricerche". E Elbakyan un personaggio leggendario nella comunità. Metà campionessa, metà banditessa. Con relativi grattacapi legali. La denuncia del colosso Elsevier arriva la scorsa estate. L'accusa è di "pirateria e violazione del diritto d'autore". All'azienda di base ad Amsterdam dà ragione un giudice del New York Southern District Court: il dominio sci-hub.org viene chiuso. Però mica finisce qui: a fine 2015 la giovane kazaka riapre i battenti usando un altro indirizzo, sci-hub. io, che ora conta 30mila utenti attivi al giorno. E per ridurre il rischio shut down ne crea anche una versione .onion, cioè nel deeb web: la faccia meno nota di Internet, raggiungibile solo tramite Tor, il sistema di comunicazione anonima. Quali sono le motivazioni dietro tanto ardore? "Da pirata devota credo che il copyright vada completamente abolito. Soprattutto nell'era di Internet, la concezione che qualcuno detenga il diritto di monopolio per le riproduzioni è ridicolo. Ricopiare costituisce l'essenza del modo in cui impariamo, perciò quella vigente è una forma mentis particolarmente contraddittoria nelle scienze e nell'educazione".

Un attacco al cuore dell'attuale sistema divulgativo. Che non scontenta solo lei. Non solo per gli stessi motivi. Per avere idea basta dare un'occhiata ai forum degli studiosi, o a Twitter, dove gli studenti si organizzano per aggirare i paywall usando addirittura degli hashtag, come #icanhazpdf. Del malcontento se n'è resa conto pure l'Unione Europea che ha imposto accesso aperto a tutte le analisi finanziate dalla comunità. Perché a mutare in questi anni sono stati i parametri di valutazione. Se prima la pubblicazione su una rivista stimata era considerata una tappa di successo nella propria carriera, con la Rete non più. Per i ricercatori è di gran lunga più importante che il loro lavoro venga letto, condiviso, citato. E un meccanismo a pagamento, che blinda il prodotto, non è di certo il massimo in tal senso. Per non parlare del gap che gli abbonamenti creano tra le università facoltose e le meno abbienti, impossibilitate a far fronte ai prezzi esorbitanti richiesti.

Un muro che si frappone tra scienziati e sapere. In cui una prima breccia l'ha aperta Aaron Swartz con il Guerilla Open Access Manifesto, dove scriveva: "L'intero patrimonio scientifico e culturale che appartiene a tutto il mondo, pubblicato nel corso dei secoli in riviste e libri, adesso viene digitalizzato e chiuso con il lucchetto da un pugno di corporation". L'ultima fenditura è merito di Alexandra. Oggi il muro scricchiola. "Si tratta di azioni dimostrative che fanno luce su un'istanza molto giusta: è necessario trovare una maniera migliore per ottenere la conoscenza, rispetto a quella che implica il pagamento", commenta Stefano Zanero, membro del consiglio d'amministrazione dell'IEEE Computer Society, una delle più grandi società scientifiche del globo. "Ma se dobbiamo cambiare il meccanismo economico che sta dietro le pubblicazioni, bisogna farlo

con criterio. Si deve tener conto che ogni struttura editoriale, anche nel caso delle no-profit, ha dei costi: raccolta e organizzazione dei contenuti, processo di revisione, mantenimento dell'archivio e così via. E la soluzione proposta da Elbakyan non sembra a lungo termine".

A quel moment soutenir un regard devient-il gênant ?

A quel moment soutenir un regard devient-il gênant ?

Une équipe menée par le psychologue Alan Johnston, spécialiste de la neurobiologie de la vision a présenté les résultats d'une étude en mai à la conférence Vision Sciences Society.

Ils ont été publiés sur plusieurs sites, comme Scientific American, en début d'année.L'étude a été réalisée sur 400 personnes, qui ont été placées devant des écrans où des acteurs les regardaient fixement pendant divers laps de temps. Les participants devaient dire à quel moment ils se sentaient gênés de maintenir le regard de l'autre, et pourquoi.

Les conclusions de l'étude

Soutenir le regard de quelqu'un pendant plus de 3,2 secondes change tout. Les chercheurs ont découvert que c'était, en moyenne, la durée pendant laquelle les participants pouvaient regarder un étranger dans les yeux sans se sentir mal à l'aise. Cela s'explique par le fait qu'avant 3,2 secondes on tente de deviner les raisons qui font que la personne nous regarde, pour faire passer un message non verbal, séduire ou intimider.

"On ne connaît pas encore ses intentions. Mais, une fois qu'on reste les yeux dans les yeux pendant plus longtemps, il ou elle a intérêt à inspirer confiance pour nous convaincre que nous ne sommes pas en danger."

Les chercheurs ont également constaté que la capacité à soutenir un regard dépendait aussi de la façon dont les participants se percevaient eux-mêmes."

Plus un sujet se considérait comme chaleureux et de bonne volonté, plus il aimait maintenir le contact visuel. Johnson suppose que plus une personne est confortable socialement, plus elle apprécie l'intimité du regard partagé."Est-on surpris ?

Pas vraiment.

Il suffit d'être un être humain doté d'yeux pour savoir que regarder un ou une inconnue devient rapidement problématique. Savoir que la limite est à 3,2 secondes ne changera pas grand-chose, à part pour ceux qui décideront de calculer en même temps et qui, potentiellement, auront l'air encore plus louches.

Certains, comme ce contributeur à Forbes, se sentent confortés dans leurs techniques de management : regarder tour à tour les personnes de l'assistance pendant un court moment lors de réunions, conférences ou stages de team-building – censés renforcer la cohésion des équipes – afin de faire sentir à chacun qu'il participe à une conversation globale.

D'autres ont déjà dépassé cette étude, poussant sa logique à l'extrême en obligeant deux personnes à se regarder fixement pendant dix minutes.

Les résultats étaient plus... intéressants.

Les participants "ont connu plus de dissociations et d'hallucinations" qu'un autre groupe, qui avait passé dix minutes à regarder un mur."Ils ont commencé à perdre contact avec eux-mêmes, avec la réalité et le temps qui passe. (...) Ils ont vu des monstres, des proches et leur propre visage sur celui de la personne qu'ils regardaient."

Source : A quel moment soutenir un regard devient-il gênant ? | Big Browser

Eye Contact: How Long Is Too Long?

Eye Contact: How Long Is Too Long?

Research explores the factors that influence our tolerance for long mutual

There's a reason your mother told you to look people in the eye when you talk to them: eye contact conveys important social cues. Yet when someone holds your gaze for more than a few seconds, the experience can take on a different tenor. New work elucidates the factors that affect whether we like or loathe locking eyes for a lengthy period.Researchers have long known that eye contact is an important social signal. Our recognition of its import may even be hardwired. One study found that five-day-old babies prefer looking at faces that make direct eye contact compared with faces that have an averted gaze. “Eye contact provides some of the strongest information during a social interaction,” explains James Wirth, a social psychologist now at Ohio State University at Newark, because it conveys details about emotions and intentions. (Lack of eye contact is one of the early signs of autism in infants and toddlers.) The power of eye contact is so great that, according to a 2010 study co-authored by Wirth, if someone avoids your gaze for even a short period, you may feel ostracized.But what determines how we feel about prolonged eye contact? One recent study explored this question. In research presented in May 2015 at the Vision Sciences Society conference, psychologist Alan Johnston and his colleagues at University College London collected information from more than 400 volunteers about their personalities. Then the subjects indicated their comfort level while watching video clips of actors who appeared to be looking directly at them for varying lengths of time.Johnston and his colleagues found that, on average, the subjects liked the actors to make eye contact with them for 3.2 seconds, but the subjects were comfortable with a longer duration if they felt the actors looked trustworthy as opposed to threatening. “Gaze conveys that you are an object of interest, and interest is linked to intention,” Johnston explains—so if someone appears threatening and holds your gaze, that could indicate that the person has bad intentions. This idea could help explain findings from a controversial study published in 2013, which reported that people are more likely to change their views on a political issue when they are being challenged by people who do not make eye contact with them. If the challengers had made eye contact, they might have seemed more threatening and less trustworthy.Our reaction to prolonged eye contact may relate to how we perceive ourselves, too. Johnston and his colleagues found that the more cooperative and warm subjects believed themselves to be, the longer they liked eye contact to be held. Johnston speculates that the more socially comfortable a person feels, the more he or she may “enjoy the intimacy of mutual gaze.”

Source : Eye Contact: How Long Is Too Long? - Scientific American

Peer Instruction

Un des problèmes de l’enseignement conventionnel réside dans la présentation de la matière enseignée directement depuis un support de cours ou des notes de cours, stimulant peu les étudiants à venir en classe. Une des composantes du problème est qu’un enseignement traditionnel se fait presque toujours sous forme de monologue devant une audience passive. Seul un enseignant exceptionnel peut captiver un auditoire de la sorte pendant toute la durée d’un cours. Il est par ailleurs très difficile d’encourager les étudiants à développer une pensée critique dans un tel contexte d’apprentissage. La méthode Peer Instruction a été développée à Harvard afin de trouver une alternative à ce malentendu pédagogique en créant un environnement dans lequel les étudiants s’engagent dans leur apprentissage pendant les heures de cours grâce à des questions conceptuelles auxquelles l’enseignant les confronte. Les étudiants ont une à deux minutes pour réfléchir individuellement à une question conceptuelle afin d’y trouver une réponse. Ils passent ensuite deux à trois minutes à discuter avec un, deux ou trois pairs dans le but d’arriver à un consensus et de rallier le groupe à la bonne réponse supposée. Ce procédé force l’étudiant à réfléchir à une argumentation et lui permet d’évaluer (de même qu’à l’enseignant) sa compréhension de la matière avant même de quitter la salle de classe. La méthode Peer Instruction est facile à implémenter dans à peu près n'importe quelle matière. Elle ne nécessite pas la refonte d'un cours ou d'un programme ou d'importants investissements financiers. Il faut seulement concevoir des questions conceptuelles (il en existe à disposition surhttps://galileo.harvard.edu/login/) et avoir l'envie de passer du temps en classe à pratiquer de l'interactivité avec les étudiants.

Source : Cours : Peer Instruction 2013

Peer Instruction and Flipped Learning – Perfect Together!

Peer Instruction and Flipped Learning – Perfect Together!by adminThis week I read this great Campus Technology article about a couple of techniques Dr. Julie Schell is using to make the most of her flipped classroom. I wanted to share one of these techniques with readers here … Peer Instruction. According to Schell, Peer Instruction was developed in the 1990s by Professor Eric Mazur at Harvard University.In this brief 2 minute video, Schell explains Peer Instruction:The 7 Step Process for Peer InstructionIn the video, Schell outlines these 7 steps for implementating Peer Instruction in your classrooms:The instructor gives a “mini lecture,” a brief introduction to a topic;Students are asked a question related to the topic that expands their thinking;Each student chooses an answer individually and moves into peer discussion to try to convince a fellow student of the rightness of his or her response;The student responds to the same question again;The correct answer is shared by the faculty member;Students are invited to share why they chose the answer they did — right or wrong; andA longer explanation is provided.Peer instruction can be an excellent tool for flipped teach and learning. Step 1 is the outside of class content that gets consumed, then Steps 2 through 7 take place in the following class session. You could also have students do Step 2 outside of the class, right after consuming the flipped content. Just be sure capture their responses in a way that is not shared with others.More Peer Instruction ResourcesSchell runs a great web site focused on Peer Instruction: blog.peerinstruction.net. Here’s a few excellent articles to help you learn more and dig deeper into PI:Quick Start Guide to Flipping your Classroom with Peer InstructionWhat is exactly is a ConcepTest?Choreography of a flipped classroom (includes a nice “Peer Instruction” workflow graphic)I’m looking forward to using peer instruction in my Emerging Information Technologies course this fall at The College of Westchester!

Source : Peer Instruction and Flipped Learning – Perfect Together!

Child	Before Treatment	After 1 Week of Treatment	Difference (Before-After)	Sign
1	85	75	10	+
2	70	50	20	+
3	40	50	-10	-
4	65	40	25	+
5	80	20	60	+
6	75	65	10	+
7	55	40	15	+
8	20	25	-5	-

Patient	QOL Before Chemotherapy Treatment	QOL After Chemotherapy Treatment	Difference (After-Before)	Sign
1	3	2	-1	-
2	2	3	1	+
3	3	4	1	+
4	2	4	2	+
5	1	1	0	-
6	3	4	1	+
7	2	4	2	+
8	3	3	0	+
9	2	1	-1	-
10	1	3	2	+
11	3	4	1	+
12	2	3	1	+

Child	Before Treatment	After 1 Week of Treatment	Difference (Before-After)	Sign
1	85	75	10	+
2	70	50	20	+
3	40	50	-10	-
4	65	40	25	+
5	80	20	60	+
6	75	65	10	+
7	55	40	15	+
8	20	25	-5	-

Patient	QOL Before Chemotherapy Treatment	QOL After Chemotherapy Treatment	Difference (After-Before)	Sign
1	3	2	-1	-
2	2	3	1	+
3	3	4	1	+
4	2	4	2	+
5	1	1	0	-
6	3	4	1	+
7	2	4	2	+
8	3	3	0	+
9	2	1	-1	-
10	1	3	2	+
11	3	4	1	+
12	2	3	1	+

Child	Before Treatment	After 1 Week of Treatment	Difference (Before-After)	Sign
1	85	75	10	+
2	70	50	20	+
3	40	50	-10	-
4	65	40	25	+
5	80	20	60	+
6	75	65	10	+
7	55	40	15	+
8	20	25	-5	-

Patient	QOL Before Chemotherapy Treatment	QOL After Chemotherapy Treatment	Difference (After-Before)	Sign
1	3	2	-1	-
2	2	3	1	+
3	3	4	1	+
4	2	4	2	+
5	1	1	0	-
6	3	4	1	+
7	2	4	2	+
8	3	3	0	+
9	2	1	-1	-
10	1	3	2	+
11	3	4	1	+
12	2	3	1	+