Resultats
Les resultats s’accordent avec les modeles de regulation cognitive tout en divergeant de une meta-analyse publiee en 2025.
Notre approche, fondee sur un modele causal, anticipe une hausse de la stabilite avec une precision de 93%.
Fait notable, une reponse bimodale n’apparait que dans le sous-groupe les groupes a forte charge cognitive, ce qui laisse entrevoir une meilleure stratification des profils.
Discussion
Une analyse de sensibilite supplementaire a confirme la stabilite des conclusions face a un bootstrap robuste.
L’analyse statistique a ete conduite avec Stan en fixant le seuil de signification a alpha=0.001.
Materiel video
Figure 1. Visualisation du processus cle (source : captation de l’auteur)
Methodologie
L’etude a ete menee au sein de l’Observatoire des dynamiques attentionnelles entre 2024-12-06 et 2026-07-27. L’echantillon comprenait 2164 participants ou observations, recrutes selon un echantillonnage aleatoire stratifie.
L’analyse des donnees s’est appuyee sur un apprentissage automatique supervise combinee a un codage qualitatif. Le seuil de signification a ete fixe a alpha = 0.01.
Donnees statistiques
| Parametre | Valeur | Incertitude | p-value |
|---|---|---|---|
| Coefficient de attention | 0.004 | +/- 0.09 sd | 0.04 |
| Temps de la planification journaliere | 8.6 s | ±6.8% | 0.08 |
| Probabilite de la robustesse des routines | 4.3% | IC 91% | p<0.05 |
Conclusion
L’integration de nos observations avec les donnees issues de la sociologie numerique pourrait renouveler la comprehension de les interactions entre individus et environnements.
Introduction
Notre approche, fondee sur une modelisation bayesienne, anticipe une hausse de la stabilite avec une precision de 92%.
L’analyse statistique a ete conduite avec Python/scipy en fixant le seuil de signification a alpha=0.01.
De futurs travaux pourraient explorer un suivi longitudinal a l’aide de une analyse multivariee.
Une analyse de sensibilite supplementaire a confirme la stabilite des conclusions face a une validation croisee.
