Pense-bête du langage Markdown [lien Wiki](https://fr.wikipedia.org/wiki/Markdown)
# Module 1 : Cahier de notes, cahier de laboratoire
## 0. Introduction
## 1. Nous utilisons tous des cahiers de notes
## 2. Un aperçu historique de la prise de notes
## 3. Du fichier texte au langage de balisage léger
Pense-bête du langage Markdown ([lien Wiki](https://fr.wikipedia.org/wiki/Markdown))
## 4. Pérennité et évolutivité des notes avec la gestion de version (Gitlab)
## 5. Les étiquettes et les logiciels d'indexation pour s'y retrouver
# Module 2 : La vitrine et l'envers du décor : le document computationnel
## 0. Introduction :
__document computationnel__ = vitrine = la théorie
__documents sous-jacents__ = envers du décor = la pratique
Un document computationnel est un document qui permet :
-**d'améliorer la traçabilité d'un calcul**,
- de **présenter** ses travaux,
- d'accéder à **l'ensemble des calculs sous-jacents** d'une analyse.
Différents outils disponibles tels que:
- Jupyter (langage préférentiel Python)
- RStudio (langage R)
- OrgMode (pour les plus avertis)
## 1. Exemples récents d'études assez discutées
Dans une étude, la capacité à pouvoir inspecter les méthodes utilisées pour produire tel ou tel résultat est essentielle!
Mais attention,
- la remise en question fait partie du processus scientifique
- tout comme la rigueur et la **transparence**.
### Détails
- Pour certaines études, les raisons pouvant empêcher, pendant plusieurs années, le débat sur la pertinence d’une étude sont :
1. la non-publication des procédures de calculs
2. la non-publication des données utilisées
En effet, c’est dans les procédures de calcul que se glissent des erreurs qui peuvent remettre en cause les conclusions.
C’est aussi dans les procédures de calcul que l’on trouve les détails des statistiques calculées et que l’on accède à plus d’information sur la puissance des tests utilisés.
La publication des données utilisées est également essentielle car c’est ce qui permet de vérifier leur pertinence ainsi que la façon dont elles sont traitées (en particulier l'exclusion).
D’autre part, il est parfois possible de trouver dans ces données des informations importantes à côté desquelles les auteurs seraient passés.
- Les principales causes d'erreur peuvent être
- l'acquisition des données (biais, calibrage de la machine, etc),
- les erreurs de calculs,
- le traitement de données ou les statistiques inadaptées.
- Les conséquences du manque de transparence sont :
1. Il est difficile de s’appuyer sur le travail des autres.
2. Les articles contiennent moins d'information (pas de détails sur les calculs, protocoles expérimentaux, analyse de données, etc.) et sont donc plus faciles à lire.
3. Il est difficile de vérifier et de reproduire les analyses présentées dans les articles.
4. Deux articles peuvent présenter des résultats en contradiction apparente les uns avec les autres, tout en étant tous deux parfaitement corrects, le manque de détails empêchant de déterminer les conditions exactes d'application.
En effet, d’une part, certains travaux peuvent être faux et d’autres justes sans qu’on ait le moyen de vérifier précisément s’ils sont justes ou faux.
D’autre part, si certains articles sont imprécis, il peuvent donner l’impression qu’un résultat est vrai dans un cadre plus général que ce qu’il est vraiment.
Il est alors difficile de vérifier ce qu’il se passe “à l’intersection”.
