Dans la recherche psychologique, s'assurer que l'analyse des données est à la fois bien documentée et reproductible est devenu une pierre angulaire de l'intégrité et de la crédibilité scientifiques. La reproductibilité est une caractéristique déterminante de la science, et les allégations scientifiques ne devraient pas gagner de crédibilité en raison du statut ou de l'autorité de leur initiateur, mais en raison de la réplication de leurs preuves.
Comprendre la crise de la reproductibilité en psychologie
Une étude historique de 100 expériences rapportées dans des articles publiés en 2008 dans trois revues de psychologie de haut niveau a révélé qu'environ un tiers à la moitié des résultats initiaux ont également été observés dans l'étude de reproduction. Bien que des résultats statistiquement significatifs aient été rapportés dans 97 % des études originales, la signification statistique n'a été atteinte que dans 36 % des études répliquées. Ces résultats ont suscité une réflexion générale sur les pratiques de recherche et ont catalysé un mouvement vers une plus grande transparence et une plus grande rigueur.
Même une recherche de qualité exemplaire peut avoir des résultats empiriques irréproductibles en raison d'erreurs aléatoires ou systématiques.Les défis vont au-delà de simples défauts méthodologiques pour englober des questions telles que la présentation sélective de rapports, la souplesse analytique non divulguée et l'insuffisance de la spécification des conditions de recherche.
Dans les sciences du comportement, on met de plus en plus l'accent sur la transparence et la nécessité de reproduire les études de recherche.Cette évolution culturelle a conduit à de nouvelles normes, exigences et meilleures pratiques que les chercheurs doivent naviguer pour s'assurer que leur travail répond aux attentes contemporaines en matière de rigueur scientifique.
L'importance critique de la documentation dans la recherche psychologique
La documentation complète permet à d'autres chercheurs de comprendre le contexte de la collecte de données, de vérifier les procédures analytiques et de s'appuyer sur les travaux existants. Elle facilite également l'examen par les pairs, appuie les efforts de reproduction et garantit que les investissements en recherche produisent une valeur scientifique maximale au fil du temps.
Pourquoi la documentation compte
La documentation adéquate crée un registre permanent des décisions, méthodes et procédures de recherche qui pourraient être perdues ou oubliées. La documentation de vos données comprend la saisie de métadonnées suffisantes (informations descriptives) sur vos données afin de les rendre décelables, identifiables et utilisables à l'avenir.
La documentation protège également contre la dégradation naturelle des connaissances qui se produit au fil du temps. Les équipes de recherche changent, les mémoires s'effacent et les environnements logiciels évoluent.
Métadonnées : La Fondation de la documentation des données
La planification de la documentation des données de recherche consiste généralement à décider des métadonnées, c'est-à-dire des données qui aident à donner un sens à un objet de données, qui doivent être documentées dans le cadre d'un processus de collecte de données donné.
Les informations que vous saisissez devraient comprendre certains des éléments suivants, sinon la totalité : Titre de l'ensemble de données ou du projet de recherche Noms des créateurs des personnes ou des établissements responsables de la création des données Identificateur unique qui aide à distinguer les données utilisées pour identifier les données Dates : Dates de début et de fin du projet, date de publication, toute autre date importante pendant la durée de l'étude de recherche Sujet : Mots clés ou phrases décrivant le sujet ou le contenu des données Organisme de financement responsable du financement de la recherche Droits de propriété intellectuelle associés aux données Langue(s) dans laquelle les données sont générées Sources de données provenant d'autres sources Lieu géographique ou couverture où les données ont été recueillies Méthodologie pour la collecte des données Version de l'ensemble de données si elle est mise à jour
Dans la plupart des cas, il s'agira de métadonnées administratives, c'est-à-dire d'informations sur la gestion d'une ressource, comme le moment et la manière de la créer, le type de fichier et d'autres informations techniques, et les droits d'accès.
Éléments essentiels d'une documentation de recherche efficace
La documentation complète comprend plusieurs couches d'information, allant des descriptions de projets de haut niveau aux détails granulaires sur des variables spécifiques et des décisions analytiques. Chaque composante joue un rôle essentiel dans la création d'un tableau complet du processus de recherche.
Gestion des données et organisation
La gestion efficace des données commence par une documentation claire des sources de données, des méthodes de collecte et des structures organisationnelles. N'oubliez pas de documenter les schémas de codage ou les variables utilisées dans les données. N'oubliez pas de documenter toutes les conventions utilisées pour nommer les fichiers dans les ensembles de données ainsi que la façon dont les fichiers ont été organisés dans le projet de recherche.
Les chercheurs devraient établir et documenter des conventions de désignation de fichiers, des structures de répertoire et des pratiques de contrôle des versions cohérentes dès le début d'un projet. Ce cadre organisationnel devrait être décrit dans la documentation du projet afin que d'autres puissent naviguer et comprendre la structure des données sans une orientation détaillée.
Annuaires et dictionnaires de données
Les codes de données sont une composante inévitable de la documentation et du partage des données en sciences sociales. En général, ils décrivent le contenu, la structure et la disposition d'une collecte de données. Un code de données complet devrait comprendre les noms de variables, les descriptions, les unités de mesure, les schémas de codage, les conventions manquantes en matière de données et toute transformation ou procédure de recodage appliquée aux données.
Les données doivent être accompagnées d'une licence ouverte et clairement documentées avec un dictionnaire de données ou un fichier de code qui explique clairement le contenu du ou des fichiers de données, le moment où les données ont été recueillies et qui les a recueillies. Ce niveau de détail permet aux autres chercheurs de comprendre et d'utiliser adéquatement des ensembles de données partagés sans exiger de communication directe avec les chercheurs originaux.
Documentation sur les flux de travail
La documentation du déroulement de l'analyse consiste à établir un registre clair de toutes les étapes, des données brutes aux résultats finaux, notamment les procédures de prétraitement, les décisions de nettoyage des données, les analyses statistiques et la justification des choix méthodologiques.
L'enregistrement des versions logicielles et des dépendances des paquets est crucial pour la reproductibilité des calculs. L'environnement comprend tous les composants logiciels nécessaires pour effectuer une opération particulière. Cela inclut le code et les données ainsi que toutes les dépendances (comme les bibliothèques logicielles) nécessaires pour exécuter le code.
Matériaux et protocoles de recherche
Sur présentation, Psychological Science exige des auteurs qu'ils rendent public tous les documents originaux d'étude dans un dépôt en ligne de confiance, à moins qu'il y ait des contraintes raisonnables. Les documents doivent être clairement documentés pour expliquer ce qu'ils sont et comment ils peuvent être réutilisés.
Les auteurs doivent partager des fichiers dans n'importe quel format propriétaire original (p. ex. Qualtrics ou Google Forms) ainsi que des équivalents en format ouvert (p. ex. texte simple, PDF) pour maximiser l'accessibilité.
Mise en oeuvre du contrôle des projets de recherche
Les systèmes de contrôle des versions suivent les changements apportés aux fichiers au fil du temps, créant ainsi un historique complet du développement de projets. Bien que conçu à l'origine pour le développement de logiciels, le contrôle des versions est devenu un outil inestimable pour la gestion de projets de recherche, particulièrement pour le suivi des changements apportés aux scripts d'analyse, à la documentation et même aux ébauches de manuscrits.
Avantages du contrôle de version dans la recherche
Les systèmes de contrôle des versions comme Git offrent de multiples avantages pour la documentation de recherche. Ils créent une piste d'audit automatique de tous les changements, permettent aux chercheurs d'expérimenter différentes approches analytiques sans perdre de travail antérieur, facilitent la collaboration entre les membres de l'équipe et permettent la récupération des versions antérieures si nécessaire.
Le contrôle des versions permet également de reproduire en documentant exactement la version du code d'analyse utilisée pour produire des résultats précis, ce qui élimine l'ambiguïté quant aux décisions analytiques qui ont conduit à des constatations particulières et permet de recréer les résultats avec précision.
Commencer avec Git et GitHub
Git est le système de contrôle de version le plus utilisé en recherche, et GitHub fournit une plateforme pour héberger les dépôts Git en ligne. Les chercheurs peuvent utiliser ces outils pour suivre les modifications de leurs scripts d'analyse, partager du code avec les collaborateurs et rendre leurs flux de travail analytiques accessibles au public.
L'apprentissage des opérations Git de base – en train de modifier, de créer des succursales et de fusionner des travaux – exige un investissement initial de temps, mais il rapporte des dividendes considérables dans l'organisation du projet et la qualité de la documentation.
Meilleures pratiques pour l'analyse reproductible des données
L'objectif premier de l'analyse reproductible des données est d'assurer la reproductibilité des calculs, c'est-à-dire la capacité d'un autre chercheur d'utiliser son code et ses données pour obtenir des résultats identiques de façon indépendante.
Analyses scéniques sur point et clic
L'un des principes les plus fondamentaux de l'analyse reproductible est de mener toutes les opérations analytiques par des scripts exécutables plutôt que des procédures manuelles, point-and-click. Minimiser les étapes d'analyse manuelle. Toute opération d'analyse qui peut être automatisée doit être automatisée, en utilisant une forme de script. Ne jamais effectuer des opérations manuelles de réorganisation des données ou de renommation de fichiers.
Les analyses Scriptées créent un enregistrement complet et exécutable de chaque étape, des données brutes aux résultats finaux. Cette approche élimine l'ambiguïté et le potentiel d'erreur inhérent aux procédures manuelles, et permet aux autres de reproduire l'analyse exactement. Alors que l'écriture des scripts peut prendre initialement plus de temps que les opérations point-et-clic, l'investissement paie en transparence, reproductibilité et efficacité lorsque les analyses doivent être mises à jour ou étendues.
Utilisation du logiciel Open-Source
Utilisez uniquement des logiciels libres et ouverts chaque fois que possible. Cela facilite la reproduction de votre travail sans avoir à acheter de logiciels particuliers. Les logiciels statistiques open-source comme R et Python sont devenus de plus en plus puissants et sont désormais la norme dans de nombreux domaines de la recherche psychologique. Ces outils offrent des capacités étendues pour la manipulation des données, l'analyse statistique et la visualisation, tout en assurant que les analyses peuvent être reproduites par n'importe qui ayant accès à un ordinateur.
Dans certains domaines, les plateformes de logiciels commerciaux sont des normes.Lorsque des solutions de rechange gratuites/open source sont disponibles (p. ex. Octave pour MATLAB), essayez de s'assurer que le code est compatible avec ces solutions de rechange chaque fois que possible.
Programmation alphabétisée avec des carnets R Markdown et Jupyter
Des outils de programmation alphabétisés comme R Markdown et Jupyter Notebooks intègrent le code, les résultats et l'explication narrative dans un document unique. Ces outils permettent aux chercheurs de créer des documents qui combinent des descriptions méthodologiques, un code d'analyse, des sorties statistiques et un texte d'interprétation, tous dans un format qui peut être exécuté pour régénérer les résultats.
Cette approche offre plusieurs avantages pour la reproductibilité. Elle garantit que les résultats signalés correspondent exactement au code qui les a générés, élimine la possibilité d'erreurs de copie-colle lors du transfert des résultats aux manuscrits, et crée des analyses autodocumentées où le code et son explication sont intégrés.
Gestion des environnements informatiques
Il y a deux niveaux de reproductibilité pour lesquels on peut tirer dans son environnement logiciel. Premièrement, la capacité de reproduire l'environnement sur son propre système. Cela peut être obtenu en générant un environnement virtuel, qui est une configuration de son système qui peut être chargé ou déchargé au besoin. Des outils comme Anaconda pour Python et Renv pour R permettent aux chercheurs de créer des environnements isolés avec des versions spécifiques de logiciels, assurant que les analyses peuvent être reproduites même au fur et à mesure que le logiciel évolue.
Pour une reproductibilité encore plus grande, les technologies de conteneurisation comme Docker peuvent encapsuler des environnements informatiques entiers, y compris le système d'exploitation, les dépendances logicielles et le code d'analyse. Bien que ces outils nécessitent une expertise technique supplémentaire, ils fournissent le plus haut niveau d'assurance que les analyses peuvent être reproduites exactement dans différents systèmes informatiques.
Partage de données et pratiques scientifiques ouvertes
La transparence permet à la communauté scientifique d'évaluer en profondeur, de réutiliser efficacement et de vérifier de façon indépendante la recherche. Pour appuyer ces objectifs, la science psychologique exige des auteurs qu'ils fassent leurs recherches aussi ouvertes que possible et fermées que nécessaire.
Exigences relatives au partage des données
Lorsque les données sont soumises, les auteurs doivent rendre publiques toutes les données de recherche brutes ou primaires dans un dépôt en ligne de confiance, à moins qu'il n'y ait des contraintes raisonnables. Dans la mesure du possible, les auteurs doivent partager les données en format ouvert (p. ex., csv) pour maximiser l'accessibilité.
Ces exigences reflètent un consensus croissant sur le fait que le partage des données est essentiel au progrès scientifique. Les données partagées permettent de vérifier les résultats publiés, de soutenir les méta-analyses et les analyses secondaires et de maximiser le rendement des investissements en recherche en permettant l'utilisation des données à des fins autres que l'étude initiale.
Choix des dépôts de données
De nombreux dépôts sont disponibles pour partager des données de recherche psychologique, chacune avec des caractéristiques et des exigences différentes. Le Cadre de science ouverte (OSF) est devenu particulièrement populaire en psychologie, offrant un stockage gratuit, le contrôle des versions et l'intégration avec d'autres outils de recherche.
Lors de la sélection d'un dépôt, les chercheurs devraient tenir compte de facteurs tels que les garanties de conservation à long terme, l'attribution d'identificateurs persistants comme les DOI, les options de contrôle d'accès pour les données sensibles et l'intégration avec d'autres flux de travail de recherche.
Considérations éthiques dans le partage des données
Bien que le partage des données soit de plus en plus attendu, les chercheurs doivent concilier transparence et obligations éthiques de protection de la vie privée et de la confidentialité des participants. Lorsqu'il existe des contraintes non résolues, elles doivent être énoncées et justifiées dans l'énoncé de transparence de la recherche.
Les chercheurs devraient consulter les commissions d'examen institutionnel et les agents de protection des données pour s'assurer que les plans de partage des données respectent les lignes directrices éthiques et les exigences légales.
Créer des plans de gestion des données complets
Les plans de gestion des données (PGM) sont des documents officiels qui décrivent comment les données seront recueillies, documentées, stockées, partagées et conservées dans le cadre d'un projet de recherche et au-delà.
Éléments clés des plans de gestion des données
Un PGD complet devrait porter sur plusieurs domaines clés. Premièrement, il devrait décrire les types de données qui seront recueillies ou générées, y compris les formats, le volume et toute donnée existante qui sera réutilisée. Deuxièmement, il devrait décrire les normes de documentation et de métadonnées qui seront utilisées pour rendre les données compréhensibles et utilisables. Troisièmement, il devrait spécifier des procédures de stockage et de sauvegarde pour assurer la sécurité des données et prévenir les pertes.
Le plan devrait également traiter du partage et de la conservation des données, y compris les données qui seront partagées, quand et comment elles seront mises à disposition, et quel dépôt sera utilisé pour la conservation à long terme. Enfin, il devrait examiner les questions éthiques et juridiques, y compris la protection de la vie privée, les droits de propriété intellectuelle et toute restriction à l'utilisation ou au partage des données.
Outils et ressources pour la création de PVQ
Plusieurs outils en ligne peuvent aider les chercheurs à élaborer des plans de gestion des données complets. Le DMPTool et le DMPonline fournissent des modèles conformes aux exigences des bailleurs de fonds, des directives sur l'examen de questions précises et des exemples tirés de propositions réussies.
La création d'un PGD au début du processus de recherche encourage les chercheurs à réfléchir systématiquement aux questions de gestion des données et à établir de bonnes pratiques dès le départ. Même si les bailleurs de fonds n'en ont pas besoin, l'élaboration d'un PGD peut servir d'exercice de planification utile qui améliore la qualité de l'organisation de la recherche et de la documentation.
Assurer la qualité et l'intégrité des données
Comme dans d'autres domaines scientifiques, la psychologie repose sur la qualité des données de recherche pour en tirer des conclusions fiables.Dans la recherche psychologique, la qualité des données dépend généralement de la volonté et de la capacité des participants à offrir des réponses exactes et précises.
Méthodes d'évaluation de la qualité des données
L'évaluation de la qualité des données constitue une pratique de recherche solide. Les chercheurs devraient mettre en oeuvre de multiples stratégies pour détecter et régler les problèmes de qualité des données, notamment des vérifications de l'attention intégrées dans les enquêtes, des mesures de cohérence des réponses, la détection de modèles de réponse inhabituels et la validation par rapport à des critères externes.
La mise en oeuvre efficace exige des chercheurs qu'ils établissent des critères d'exclusion raisonnables, adaptés au contexte et à la conception de l'étude. En effet, l'application de règles de coupure trop strictes pour toute méthode peut perturber la validité et la fiabilité si des données excessives sont écartées par erreur.
Répondre aux besoins des personnes sans soins
Les réponses négligentes ou incompétentes représentent une menace importante pour la qualité des données dans la recherche psychologique, en particulier dans les études en ligne. Les données théoriques et empiriques indiquent que les réponses négligentes peuvent inhiber le pouvoir des tests statistiques, les résultats d'enquêtes biaisées et même causer des conclusions erronées si elles ne sont pas identifiées et ne sont pas retirées des analyses.
Les chercheurs devraient mettre en oeuvre de multiples méthodes pour détecter les interventions négligentes, y compris des vérifications de manipulations pédagogiques, des analyses des temps d'intervention et des indices de cohérence.
Organisation des dossiers et conventions de désignation
Les conventions systématiques d'organisation et de nommage des fichiers sont essentielles à une gestion et à une documentation efficaces. Les fichiers bien organisés facilitent la localisation de données ou de codes spécifiques, réduisent le risque d'erreurs en utilisant des versions obsolètes et facilitent la collaboration et le partage des données.
Établissement d'une structure de répertoire de projets
Le premier chapitre présente une structure de base de dossiers et de sous-dossiers pour l'organisation des fichiers de données, puis chaque chapitre ultérieur se détaille pour un dossier spécifique.Étape par étape, les lecteurs apprennent à étiquetter et à archiver différents types de documents de projet et de fichiers de données, y compris les données originales, traitées et de travail.
Un répertoire de projet typique peut inclure des dossiers distincts pour les données brutes, les données traitées, les scripts d'analyse, la documentation, les manuscrits et les documents supplémentaires. S'engager à un schéma d'organisation standard. L'utilisation d'un schéma standard peut parfois nécessiter un peu plus de travail à court terme, mais aura des retombées importantes à long terme.
Nom des dossiers Meilleures pratiques
Les noms de fichiers efficaces doivent être descriptifs, cohérents et lisibles par machine. Ils doivent comprendre des informations pertinentes telles que les identifiants de projets, les dates, les numéros de version et les descriptions de contenu, tout en évitant les caractères spéciaux qui pourraient causer des problèmes dans différents systèmes d'exploitation.
Documenter les conventions de nommage de fichiers dans la documentation du projet garantit que tous les membres de l'équipe suivent le même système et que d'autres peuvent comprendre la logique de nommage lors de l'accès aux fichiers partagés.
Préenregistrement et déclarations enregistrées
Le préenregistrement consiste à documenter publiquement les plans de recherche, y compris les hypothèses, les méthodes et les stratégies d'analyse, avant le début de la collecte ou de l'analyse des données.
Avantages de l'enregistrement préalable
Les données et les documents seront plutôt nécessaires (avec des exemptions examinées au cas par cas, voir la section suivante) et le préenregistrement sera un facteur dans les évaluations rédactionnelles. La disponibilité des données, des scripts d'analyse, des documents et des préenregistrements sera signalée en bonne place dans le haut de chaque article, dans une déclaration de transparence de la recherche qui sera requise lors de la soumission de tous les manuscrits empiriques et qui sera partagée avec les éditeurs et les évaluateurs pour évaluation lors de l'examen par les pairs.
Le préenregistrement fournit un registre chronologique des plans de recherche, indiquant clairement quelles analyses ont été planifiées a priori et qui sont issues de l'exploration des données. Cette transparence aide les lecteurs à interpréter les résultats de leurs recherches et à évaluer la force des données probantes.
Rapports enregistrés
Dans ce format de publication, les chercheurs soumettent un protocole détaillé comprenant l'introduction, les méthodes et le plan d'analyse pour l'examen par les pairs. Si le protocole est accepté, la revue s'engage à publier les résultats, quel que soit le résultat, sous réserve que les chercheurs suivent le protocole approuvé.
Ce format permet de corriger les biais de publication en veillant à ce que des études bien conçues soient publiées en fonction de leur qualité méthodologique plutôt que de leurs résultats. Il offre également de fortes incitations à une planification prudente et réduit la pression pour obtenir des résultats « significatifs ».
Formation et perfectionnement des compétences pour la recherche reproductible
La mise en oeuvre des meilleures pratiques pour la documentation et l'analyse reproductible nécessite le développement de nouvelles compétences. S'engager à améliorer vos compétences en tant que développeur de logiciels. Le développement de logiciels est un ensemble de compétences qui doit être appris, tout comme une nouvelle langue parlée ou instrument de musique.
Compétences essentielles pour la recherche reproductible
Les chercheurs devraient également développer des compétences en gestion des données, y compris la conception de bases de données, le nettoyage des données et les pratiques de documentation. Comprendre les principes fondamentaux de l'ingénierie logicielle, comme l'écriture de codes modulaires et les tests de mise en oeuvre, peut améliorer considérablement la qualité et la reproductibilité du code de recherche.
Beaucoup de ces compétences ne sont pas traditionnellement enseignées dans les programmes de psychologie des cycles supérieurs, mais de nombreuses ressources sont maintenant disponibles pour l'apprentissage autodirigé. Les cours en ligne, les ateliers et les tutoriels couvrent des sujets allant de la programmation de base aux flux de travail de recherche reproductibles avancés.
Bâtir une culture de reproductibilité
Les ministères, les laboratoires et les groupes de recherche devraient favoriser des cultures qui valorisent et soutiennent la reproductibilité, notamment en établissant des normes de laboratoire pour la documentation et le partage de codes, en offrant un mentorat et une formation aux étudiants et aux chercheurs subalternes, en allouant du temps et des ressources à l'apprentissage de nouveaux outils et pratiques et en reconnaissant et en récompensant la recherche transparente et reproductible.
Les chercheurs et les mentors chevronnés jouent un rôle crucial dans la modélisation des bonnes pratiques et la création d'attentes selon lesquelles la reproductibilité est un élément courant de l'excellence de la recherche plutôt qu'un complément facultatif.
Défis communs et solutions pratiques
La mise en oeuvre d'une documentation exhaustive et de pratiques d'analyse reproductibles peut présenter des défis, en particulier pour les chercheurs qui passent d'un processus traditionnel à un autre.
Contraintes liées au temps et aux ressources
L'un des obstacles les plus fréquemment cités à l'adoption de pratiques de recherche reproductibles est la perception qu'elles nécessitent trop de temps et d'efforts. Bien qu'il y ait une courbe d'apprentissage initiale et un temps de configuration, de nombreuses pratiques économisent du temps à long terme en réduisant les erreurs, en facilitant la collaboration et en facilitant la mise à jour ou l'extension des analyses.
Les chercheurs peuvent prioriser les pratiques qui offrent le plus d'avantages pour leur contexte particulier. Par exemple, l'adoption d'analyses scéniques et de contrôle de versions pourrait être les premières étapes les plus importantes, avec des pratiques plus avancées comme la conteneurisation ajoutées plus tard au fur et à mesure que les compétences et les besoins se développent.
Équilibrer flexibilité et prédétermination
Certains chercheurs craignent que la préinscription et la documentation détaillée ne limitent la recherche exploratoire ou ne les empêchent de poursuivre des constatations inattendues. Toutefois, ces pratiques ne doivent pas éliminer la flexibilité. La préinscription distingue les analyses exploratoires prévues de celles qui sont prévues plutôt que d'interdire l'exploration.
La documentation transparente des décisions analytiques, y compris les écarts par rapport aux régimes préenregistrés, permet aux lecteurs d'interpréter les constatations de façon appropriée tout en préservant les avantages de la prédétermination pour les analyses confirmatives.
Obstacles techniques et courbes d'apprentissage
L'apprentissage de nouveaux outils et technologies peut être intimidant, en particulier pour les chercheurs sans contexte de programmation. Cependant, le paysage des outils pour la recherche reproductible est devenu de plus en plus convivial, avec des interfaces graphiques et une documentation étendue disponible pour la plupart des plateformes.
La recherche de soutien auprès de collègues, la participation à des ateliers et la participation à des communautés en ligne peuvent accélérer l'apprentissage et fournir de l'aide pour résoudre les problèmes.
L'avenir de la recherche reproductible en psychologie
La tendance à une plus grande transparence et à une reproductibilité accrue de la recherche psychologique continue d'évoluer, de nouveaux outils, normes et attentes se dessinant régulièrement.
Technologies et outils émergents
Les nouvelles technologies continuent de rendre la recherche reproductible plus accessible et plus efficace. Les plateformes informatiques basées sur le cloud permettent aux chercheurs de partager non seulement le code et les données, mais aussi l'ensemble des environnements informatiques que d'autres peuvent exécuter en un seul clic.
L'intelligence artificielle et les outils d'apprentissage automatique commencent à aider à des tâches comme la documentation de code, la détection d'erreurs, et même la reproduction automatisée des analyses.
Évolution des normes et des attentes
Les politiques de la revue, les exigences de financement et les normes professionnelles en matière de reproductibilité continuent d'évoluer. Ce qui était autrefois les pratiques exemplaires facultatives deviennent de plus en plus des attentes standard ou des exigences explicites.
Les organismes professionnels, les organismes de financement et les éditeurs s'efforcent d'harmoniser les normes et de créer des attentes cohérentes dans l'ensemble du domaine.
Le rôle de l'éducation et de la formation
À mesure que les pratiques de recherche reproductibles deviennent des attentes standard, les programmes de formation des diplômés intègrent de plus en plus les compétences et les compétences pertinentes dans leurs programmes d'études.
Cette évolution de la formation contribuera à normaliser les pratiques de recherche reproductibles et à faire en sorte que les nouveaux chercheurs entrent dans le domaine avec les compétences et l'esprit nécessaires pour mener une recherche transparente et reproductible dès le début de leur carrière.
Ressources et apprentissages ultérieurs
De nombreuses ressources sont disponibles pour aider les chercheurs à mettre en oeuvre des pratiques exemplaires en matière de documentation et d'analyse reproductible.
Plateformes et dépôts en ligne
Le Open Science Framework fournit des outils gratuits pour la gestion de projet, la collaboration, le contrôle de version et le partage de données, tous intégrés dans une plate-forme unique conçue spécifiquement pour les flux de travail de recherche. GitHub offre des capacités de contrôle de version et de partage de code, avec une documentation étendue et une grande communauté d'utilisateurs.
Beaucoup de ces plateformes offrent des tutoriels, de la documentation et des projets d'exemple que les chercheurs peuvent utiliser comme modèles pour leur propre travail.
Matériel et cours de formation
Des organismes comme Carpenterie de logiciels[ et Carpenterie de données[ offrent des ateliers et du matériel en ligne pour enseigner les compétences fondamentales de la recherche reproductible, y compris la programmation, le contrôle des versions et la gestion des données.
Les organisations professionnelles en psychologie offrent de plus en plus d'ateliers et de ressources axés sur les sciences ouvertes et les pratiques de recherche reproductibles.
Réseaux communautaires et de soutien
Les communautés en ligne offrent des forums pour poser des questions, partager des expériences et apprendre des autres. Center for Open Science maintient des communautés actives autour des pratiques scientifiques ouvertes, et de nombreux outils et plateformes ont des communautés d'utilisateurs dédiés où les chercheurs peuvent chercher de l'aide et partager des connaissances.
Les communautés de pratique locales, comme les clubs de revues ReproductibiliTea ou les groupes de travail ministériels axés sur les sciences ouvertes, offrent des possibilités d'apprentissage et de soutien par les pairs.
Conclusion : Construire une science plus transparente et crédible
La reproductibilité est une caractéristique déterminante de la science. Cependant, en raison de fortes incitations à l'innovation et de faibles incitations à la confirmation, la reproduction directe est rarement pratiquée ou publiée. En mettant en œuvre une documentation complète et des pratiques d'analyse reproductibles, les chercheurs en psychologie peuvent aider à corriger ce déséquilibre et renforcer la crédibilité du domaine.
Si la reproductibilité est inférieure à ce qui est acceptable, il est donc vital que nous la sachions pour y remédier. L'autocritique, et la promesse de l'autocorrection, sont ce qui fait de la science une partie si importante de l'effort de l'humanité pour comprendre la nature et nous-mêmes.
Bien que l'adoption de nouvelles pratiques exige des efforts et puisse impliquer une courbe d'apprentissage, les avantages vont bien au-delà des exigences de la revue ou du financement. La recherche bien documentée, reproductible est plus facile à exploiter, plus susceptible d'être citée et influente, et plus résistante aux erreurs et aux interprétations erronées.
Plus important encore, les pratiques de recherche transparentes et reproductibles s'harmonisent avec les valeurs fondamentales de la science : ouverture, scepticisme et engagement à la vérité. En rendant notre travail transparent et reproductible, nous invitons à la vérification et à l'examen, en faisant preuve de confiance dans nos méthodes et nos résultats.
La transition vers des pratiques de recherche plus transparentes et reproductibles n'est pas seulement un défi technique, mais un changement culturel qui exige l'engagement de chercheurs, de groupes de recherche, d'établissements, de revues et d'organismes de financement individuels.
Au fur et à mesure que le domaine évolue, ceux qui développent des compétences en documentation et en analyse reproductible seront bien placés pour mener des recherches de haute qualité qui répondent aux normes contemporaines et contribuent de façon significative au progrès scientifique. L'investissement dans l'apprentissage et la mise en oeuvre de ces pratiques représente un investissement dans l'avenir des sciences psychologiques et dans la crédibilité et l'impact de notre entreprise de recherche collective.