About time : life-cycle and cohort effects on support for Quebec sovereignty

L’appui à la souveraineté du Québec diminue-t-il avec l’âge, ou est-il le reflet de préférences générationnelles ? Cette recherche se base sur les théories du changement générationnel et de la socialisation politique pour répondre à cette question. À l’aide de données de sondages de 1985 à 2014, nous mesurons l’impact de l’âge et de la génération sur l’appui à cette option constitutionnelle chez les Québécois francophones. Nos deux hypothèses de recherche sont confirmées dans une certaine mesure. Premièrement, les Québécois ont moins tendance à appuyer la souveraineté en vieillissant. La relation négative entre ces variables devient par contre plus faible au début des années 2000. Deuxièmement, les Baby boomers (nés entre 1945 et 1964) ont une probabilité plus élevée d’être souverainistes que les autres générations, et ce peu importe leur âge. Ils sont suivis, dans l’ordre, par les Aînés (nés en 1944 et moins), la Génération X (nés entre 1965 et 1979) et les Milléniaux (nés en 1980 ou plus).

Intégration de la pensée cycle de vie aux études d'impacts : cas du site minier Raglan

Thèse numérisée par la Division de la gestion de documents et des archives de l'Université de Montréal

Analyse de changements multiples : une approche probabiliste utilisant les réseaux bayésiens

La maintenance du logiciel est une phase très importante du cycle de vie de celui-ci. Après les phases de développement et de déploiement, c’est celle qui dure le plus longtemps et qui accapare la majorité des coûts de l'industrie. Ces coûts sont dus en grande partie à la difficulté d’effectuer des changements dans le logiciel ainsi que de contenir les effets de ces changements. Dans cette perspective, de nombreux travaux ont ciblé l’analyse/prédiction de l’impact des changements sur les logiciels. Les approches existantes nécessitent de nombreuses informations en entrée qui sont difficiles à obtenir. Dans ce mémoire, nous utilisons une approche probabiliste. Des classificateurs bayésiens sont entraînés avec des données historiques sur les changements. Ils considèrent les relations entre les éléments (entrées) et les dépendances entre changements historiques (sorties). Plus spécifiquement, un changement complexe est divisé en des changements élémentaires. Pour chaque type de changement élémentaire, nous créons un classificateur bayésien. Pour prédire l’impact d’un changement complexe décomposé en changements élémentaires, les décisions individuelles des classificateurs sont combinées selon diverses stratégies. Notre hypothèse de travail est que notre approche peut être utilisée selon deux scénarios. Dans le premier scénario, les données d’apprentissage sont extraites des anciennes versions du logiciel sur lequel nous voulons analyser l’impact de changements. Dans le second scénario, les données d’apprentissage proviennent d’autres logiciels. Ce second scénario est intéressant, car il permet d’appliquer notre approche à des logiciels qui ne disposent pas d’historiques de changements. Nous avons réussi à prédire correctement les impacts des changements élémentaires. Les résultats ont montré que l’utilisation des classificateurs conceptuels donne les meilleurs résultats. Pour ce qui est de la prédiction des changements complexes, les méthodes de combinaison "Voting" et OR sont préférables pour prédire l’impact quand le nombre de changements à analyser est grand. En revanche, quand ce nombre est limité, l’utilisation de la méthode Noisy-Or ou de sa version modifiée est recommandée.