Programme
L'École interdisciplinaire outils & méthodes est de retour
pour une 6e édition!
Lundi 24 août au vendredi 28 août 2026
La programmation complète est maintenant annoncée!
| Lundi 24 | Mardi 25 | Mercredi 26 | Jeudi 27 | Vendredi 28 | |
|---|---|---|---|---|---|
Mise à niveau DKN-1242 Classe de maître | La question : du sujet à la question de recherche | La théorie : hypothèses, implications observables, schéma | Les données et les méthodes : sélection, collecte, familles de méthodes | La description et l'explication : mesure, validité et inférence | La contribution : ce qu'un projet ajoute, et comment on l'écrit |
Analyse causale DKN-1261 | Introduction à la causalité | Expériences naturelles et double différence | Variables instrumentales | Expériences randomisées et appariement | Atelier pratique |
L'intelligence artificielle (IA) et la recherche DKN-1289 Nouveau | Comprendre les grands modèles de langage (LLM) et y accéder pour la recherche | Valider les LLM dans un cadre scientifique | Des sorties de modèles aux mesures scientifiques | L'IA agentique dans le flux de travail de recherche | Visite d'un acteur de l'industrie et séance pratique intégrative |
Science des données DKN-1256 | Réduction de dimensionalité, analyse en composantes principales | Classification non-supervisée et visualisation | Régression linéaire | Régression logistique | Autres modèles prédictifs, plus proches voisins et arbres |
Méthodes mixtes DKN-1260 | Introduction aux méthodes mixtes | Conception de la recherche mixte et stratégies de collecte de données | Analyse de données qualitatives dans une perspective mixte | Analyse de données quantitatives dans une perspective mixte | Intégration des données, défis et critiques des méthodes mixtes |
Le cas : méthodes et inférence DKN-1159 Par la Chaire Roméo-Dallaire | Qu'est-ce que le « cas »? Logiques et enjeux de la sélection | Comparer des cas : logique inter- et intra-cas | Analyse d'un cas de l'intérieur : temporalité, séquençage, processus | Documenter un cas : outils, terrains et stratégies empiriques | Du cas à la théorie : généralisation, portée et usages scientifiques |
Midis-métho DKN-3157 | Introduction à R Jules Piral | Intro au langage de balisage (LaTeX, Markdown, Quarto) Marc-Antoine Dupuis | Intro aux outils de gestion bibliographiques (à l'ère de l'IA) Adam Ménard | Clinique métho CLESSN | Clinique métho CLESSN |
Ateliers I DKN-1159 | Systématiser sa revue de littérature à l'ère de l'IA | Les données textuelles au service de la recherche : outils et usages scientifiques de l'IA | Les outils dans le monde professionnel Mathieu Grégoire (Ville de Québec) | Le « Web scraping » | Conclusion : construire sa trousse à outils |
Ateliers II DKN-3157 | La recherche en milieu gouvernemental Chantal Blouin (INSPQ) | Les outils d'analyse de données qualitatives Stéphane Pelletier |
L’INTELLIGENCE ARTIFICIELLE EN RECHERCHE
Le parcours L’intelligence artificielle en recherche offre une formation sur l’intégration des plus récents outils d’intelligence artificielle dans le processus méthodologique de recherche scientifique. Le parcours aborde des thèmes tels que l’utilisation des LLM pour générer et collecter des données, la reproduction et la validation de résultats de recherche, ainsi que la construction de protocoles de recherche intégrant des outils d’IA à diverses étapes.
ANALYSE CAUSALE ET EXPÉRIMENTATION
Le parcours Analyse causale et expérimentation offre une formation consacrée aux méthodes d’analyse causale. Le parcours a pour objectif de former les étudiant.e.s aux techniques d’analyse causale les plus répandues.
SCIENCE DES DONNÉES : MODÉLISATION ET PRÉDICTION
Le parcours La science des données : modélisation et prédiction offre une formation sophistiquée sur les méthodes et outils de recherche qui occupent une place centrale dans le monde de la science des données. Le parcours a pour objectif de former les étudiant.e.s à plusieurs méthodes telles que la construction de modèles statistiques explicatifs et prédictifs et la visualisation de données. Le parcours se base sur le langage de programmation statistique R: une connaissance avancée de R n’est pas un pré-requis, mais une connaissance de base facilitera l’apprentissage.
MÉTHODES MIXTES
Le parcours Méthodes mixtes offre une formation axée autour de la collecte, de l’analyse et de l’interprétation d’un devis de recherche mixte intégrant des éléments de recherche qualitative et quantitative.
Parcours construit en collaboration avec la Chaire de leadership en enseignement Roméo-Dallaire sur les conflits civils et la paix durable.
Il est possible de consulter la programmation des éditions précédentes de l’École ici!
Approche pédagogique
L’EIOM propose des parcours sous forme de séminaires accompagnés de conférences et d’ateliers sur des outils de recherche.
Une liste de lectures propre à chacun des parcours sera proposée dans les jours précédant le début de l’école afin de familiariser l’étudiant·e avec le contenu qui sera abordé. Cette liste de lecture a notamment pour objectif de s’assurer que les parcours offrent un contenu plus avancé et sophistiqué qu’un cours d’introduction à la recherche.
À cet effet, l’EIOM a fait le choix d’offrir un programme dont le niveau est intermédiaire et avancé. Il est donc recommandé que l’étudiant·e ait quelques bases sur les méthodes de recherche — un cours d’introduction aux méthodes de recherche dans un programme de cycle supérieur suffit à remplir ce préalable.
Évaluation
L’obtention des 3 crédits de cours repose sur trois évaluations. Les détails seront annoncés pendant l’EIOM.
* À noter que ces informations sont à titre indicatifs uniquement. De plus amples informations seront transmises aux étudiant.e.s crédité.e.s avant le début de l’EIOM.
Premièrement, une brève synthèse critique d’un atelier sur les outils est à remettre à la fin de la semaine.
Deuxièmement, un exercice de mise en situation propre à votre parcours est à remettre une semaine après l’EIOM.
Troisièmement, un travail de synthèse devra être soumis au plus tard 1 mois après la fin de l’École. Ce dernier peut prendre plusieurs formes afin d’offrir aux étudiant·e·s l’opportunité de perfectionner leur propre travail de recherche.
Finalement, l’évaluation repose sur la participation obligatoire : un minimum de 90% de présence dans le parcours choisi.
