Intégrer le genre dans la formation médicale prégraduée: peut-on transférer l'expérience néerlandaise sur sol suisse ? Etude exploratoire menée au sein de l'École de médecine de l'Université de Lausanne (FBM/UNIL) pour l'année académique 2009-2010

[Table des matières] Résumé. Zusammenfassung. 1. Introduction. 2. Intégrer le genre dans les études de médecine : la " Success Story " néerlandaise. 2.1 En amont du projet national de 2002-2005. 2.1.1 L'étude pilote menée à l'Université Radboud à la fin des années 1990. 2.2 Integrating Gender into the Core Curriculum: le déroulement du projet national (2002-2005). 3. Enseignement prégradué en médecine à Lausanne: quelle place pour le genre ? Etat des lieux pour l'année académique 2009-2010. 3.1 Inventaire: quelques fleurs dans le désert ? 3.2 La situation lausannoise à l'aune des exigences du projet néerlandais. 3.3 L'organisation de l'enseignement à l'École de médecine de Lausanne suite à la réforme des années 2000. 3.4 Le développement des études genre à l'Université de Lausanne et en Suisse: quel impact sur la médecine ? 4. Inclure le genre dans les études prégraduées de médecine : le cadre au niveau suisse. 4.1 Quelles possibilités de soutien au niveau des instruments nationaux de pilotage de la formation médicale prégraduée ? 5. Quelles possibilités de transfert ? Des questions pour l'avenir. 5.1 Comment transférer l'expérience néerlandaise? 5.2 Quelles activités pourraient être entreprises au niveau national ? 6. Annexes.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

La théorie des langues "littéraires" en linguistique soviétique et postsoviétique : une théorie scientifique et des représentations sociales

A partir d'un questionnement sur les données relatives au concept linguistique de langue «littéraire», concept central d'une théorie scientifique prospère en Union soviétique à partir des années 1960 jusqu'aujourd'hui, je cherche à proposer des explications qui pourraient rendre compte de l'ensemble des données analysées dans ma thèse. Mes conclusions se présentent sous trois angles : épistémologique (genèse et évolution du concept), historique et sociologique.Du point de vue de sa genèse, la théorie des langues «littéraire» mélange plusieurs sources: elle «greffe» l'apport des historiens de la langue comme A.A. Saxmatov (1864-1920) sur une longue réflexion, menée dès le XVIIIe s., l'époque de M.V. Lomonosov (1711-1765), sur ce qui est la langue de la civilisation russe. Le terme de langue «littéraire» russe est passé des littéraires aux linguistes pour tomber chez les sociolinguistes soviétiques (L. Krysin, E. Zemskaja) avec à chaque passage un contenu différent sans que pour autant ces différences soient explicitées de façon satisfaisante. Comparée aux définitions antérieures de la langue «littéraire», celle de la période des années 1960-90 est nettement plus prescriptive et renvoie à un usage réel qui serait supérieur à tous les autres et engloberait tout l'espace russophone en vertu de ses prétendues propriétés systémiques, jamais démontrées par les chercheurs.Les écueils de la théorie des langues «littéraires» et sa vitalité trouvent des explications si l'on prend en compte l'historicité des phénomènes. En replaçant les textes de linguistes dans un contexte anthropologique (historique, politique, institutionnel) plus large, je propose un récit des événements et des influences différent de récits canoniques présentés dans les ouvrages soviétiques. Je situe dans les années 1930 une mise en place de l'édifice du concept de langue «littéraire» à venir, inauguré dans les travaux de L.P. Jakubinskij (1892-1945) et V.M. Zirmunskij (1891-1971), où sous la désignation de «langue nationale» est décrite dans les grandes lignes 1e. concept de langue «littéraire» de la linguistique soviétique à venir.L'étude du contexte historique et l'examen de la validité de la théorie des langues «littéraire» m'ont amenée à formuler l'hypothèse qu'il existe une représentation sociale de la langue «littéraire» contenant plusieurs éléments du concept linguistique du même nom et partagée par des groupes sociaux plus larges que celui de professionnels du langage. J'ai entrepris d'établir les contours de cette représentation en appliquant les procédés proposés dans les travaux en psychologie sociale sur les représentations. D'après mon analyse, la représentation de la langue «littéraire» est plutôt stable. Du point de vue de sa formation et de son fonctionnement, c'est une représentation du type idéologique. Du point de vue de son organisation, elle présente plusieurs similitudes avec les représentations de la nation, qui se manifestent par l'adhésion des sujets à un héritage, supposé commun, de valeurs dont la langue fait partie et où elle est investie d'une forte charge identitaire. Cette valeur de la langue «littéraire» nationale est soutenue par l'État, l'enseignement, des institutions de régulation et les spécialistes du langage.Ainsi, une étude historique d'une théorie linguistique particulière présente un autre intérêt que celui de dresser un récit cohérent des événements et des influences, à savoir d'approcher à travers un corpus de textes de linguistes le domaine d'opinions des locuteurs sur leur usage langagier.

Enjeux d'une didactique plurilingue : entre représentations et pratiques courantes

Résumé:S'inscrivant dans le projet Construction intégrée des savoirs linguistiques et disciplinaires dans l'enseignement bilingue au secondaire et au tertiaire, dirigé par L. Gajo, notre étude met en relation des données concernant les représentations des acteurs de l'enseignement bilingue avec des exemples d'interactions effectives. Plusieurs décalages sont ainsi mis à jour, les pratiques s'avérant souvent largement plus complexes que les représentations qui leur sont sous-jacentes. Dans ce cadre, nous accordons une attention particulière aux spécificités disciplinaires, et interrogeons la traditionnelle représentation associant les mathématiques à une "langue en soi". Enfin, l'examen de séquences-types illustrera la richesse du travail effectivement réalisé en classe bilingue - tant dans les sciences humaines que dans les sciences exactes - et nous conclurons sur quelques propositions didactiques découlant directement de nos observations.Abstract:In der vorliegenden Studie (durchgeführt im Rahmen des von L. Gajo geleiteten Projekts Construction intégrée des savoirs linguistiques et disciplinaires dans l'enseignement bilingue au secondaire et au tertiaire) werden Vorstellungen der betroffenen Akteure über bilingualen Sachfachunterricht in Bezug zu Beispielen von real beobachteten Interaktionen gesetzt. Dabei können eine Reihe von Diskrepanzen aufgedeckt werden, da sich die Praxis häufig als wesentlich komplexer als die ihr zugrunde liegenden Vorstellungen erweist. Des Weiteren wird den fachspezifischen Eigenheiten besondere Aufmerksamkeit geschenkt und die Vorstellung hinterfragt, die die Mathematik als eine "Sprache an sich" ansieht. Die Analyse einiger Mustersequenzen veranschaulicht die vielseitige Realität der Arbeit in bilingualen Klassen - sowohl in den Geistes- und Sozialwissenschaften als auch in den Naturwissenschaften. Letztlich werden einige fachdidaktischen Empfehlungen abgegeben, die sich aus unseren Beobachtungen ableiten lassen.

Projets de coopération universitaire : l'émergence de nouvelles structures de gouvernance

Depuis le début des années quatre-vingt-dix, le modèle classique de l'université est fortement remis en question: pénétration accrue des acteurs privés, attentes de la société civile, contractualisation et «horizontalisation» des relations, etc. L'université bouge et doit s'adapter à un environnement en mutation. En Suisse, les projets de coopération inter universités semblent être une des réponses privilégiées par les acteurs dominants du système pour faire face à ces changements. Toutefois, la mise en place de nouveaux arrangements institutionnels notamment sous la forme de réseaux d'enseignement et de recherche ne va pas sans soulever de nombreuses interrogations. Premièrement, et notamment du fait de bases légales peu développées, les collaborations institutionnalisées n'ont pas toutes la même configuration. Nous devons donc nous questionner sur les formes concrètes prises par ces réseaux d'enseignement et de recherche et sur les raisons qui ont conduit à l'adoption d'un type particulier de structure de coopération. Ensuite, comme ces structures ne viennent pas remplacer, mais plutôt se superposer à celles préexistantes, il convient de comprendre la redistribution du pouvoir au sein de formes institutionnelles complexes. Plus précisément, l'analyse de la nouvelle répartition des compétences entre les institutions hiérarchiques (les universités) et les coopérations (réseaux) en particulier sous l'angle de l'autonomie dont ces dernières disposent, se révèle être un angle d'approche fructueux. Finalement, la question de l'évaluation de ces nouvelles formes de gouvernance va se poser. Outre les formes prises par ces structures, une discussion doit être menée autour des limites démocratiques de cette nouvelle forme du secteur public. Ce working paper présente dans un premier temps quelques facteurs qui ont contraints les universités à une remise en cause de leurs structures de gouvernance. Il introduit ensuite quelques éléments théoriques faisant référence aux théories portant sur les réseaux et plus particulièrement à l'approche institutionnelle de ceux-ci. La troisième partie de ce papier présente brièvement les structures de gouvernance du système universitaire helvétique ainsi que les récentes pressions au changement ayant favorisé la mise en place de ces réseaux. Finalement, la quatrième partie étudie, au travers de six cas de coopérations inter-universitaires suisses, la forme prise par ces réseaux, essentiellement sous l'angle de leur degré d'autonomie.