Outils d'IA et d'analyse de données : ATLAS.ti et autres options

Résumé: La recherche qualitative est en constante transformation, sous l'impulsion de l'utilisation de l'intelligence artificielle (IA) dans les processus d'analyse et de codage des données qualitatives. Des outils tels que ATLAS.ti, NVivo, MAXQDA et requalifier.ai Ces logiciels se distinguent par leurs fonctionnalités avancées permettant de traiter de grands volumes d'informations et d'accroître le potentiel d'interprétation des chercheurs. Dans cet article, nous présentons les principales fonctionnalités des logiciels d'intelligence artificielle, discutons de leurs avantages et de leurs limites, et explorons comment l'intervention humaine demeure essentielle pour donner du sens aux données, même dans un contexte de plus en plus automatisé.

Introduction

L’ère de l’information a entraîné une augmentation exponentielle du volume de données disponibles pour la recherche, complexifiant ainsi l’analyse des projets impliquant des sources multiples, telles que les entretiens, les réseaux sociaux et les rapports techniques. Sans surprise, la recherche d’outils alliant automatisation et rigueur analytique s’intensifie chaque jour, se plaçant au cœur des débats académiques (Paulus et al., 2015).

Les logiciels d'analyse qualitative de données assistée par ordinateur (CAQDAS), tels qu'ATLAS.ti, jouent un rôle crucial dans ce processus en aidant les chercheurs à organiser et à interpréter les données qualitatives. Plus récemment, les algorithmes d'intelligence artificielle ont étendu la portée de ces programmes, en ajoutant des fonctionnalités telles que… auto-codage, exploration de texte et analyse prédictive (Guetterman et al., 2018). Ces innovations exigent cependant une réflexion sur la mesure dans laquelle l'automatisation peut (ou devrait) remplacer le regard critique du chercheur et sur la manière d'équilibrer la rapidité d'identification des tendances avec la sensibilité interprétative nécessaire aux sciences humaines.

Cet article explore les fonctionnalités offertes par ATLAS.ti et le compare à d'autres solutions telles que NVivo et MAXQDA. Il mentionne également d'autres outils d'automatisation de la transcription et de l'analyse, comme requalify.ai. Nous verrons comment l'IA peut améliorer le travail de… analyse de contenumais nous soulignerons également l'importance du chercheur dans validation interprétative D’après les résultats, on s’attend à ce que cela permette, à terme, de subventionner un choix plus éclairé de logiciels d’analyse de données qualitatives et d’approfondir la compréhension du rôle de l’IA dans la recherche qualitative utilisant l’IA.

Concepts et définitions

CAQDAS (Logiciel d'analyse de données qualitatives assistée par ordinateur)

Le terme CAQDAS désigne un ensemble de logiciels facilitant l'organisation, le codage et l'analyse systématique des données qualitatives. Ces données peuvent inclure des transcriptions d'entretiens, des publications sur les réseaux sociaux, des documents historiques, des images et même des vidéos (Paulus et al., 2015). Parmi les plateformes les plus connues, on peut citer :

• ATLAS.tiReconnu pour son interface intuitive et ses multiples façons de visualiser et d'organiser les données.
• NVivoLargement utilisé dans les contextes académiques, avec des ressources d'analyse quantitative complémentaires (Müller de Andrade, Schmidt et Montiel, 2020).
• MAXQDAElle se caractérise par sa facilité d'intégration des données qualitatives et quantitatives, ce qui la rend précieuse pour la recherche par méthodes mixtes.
• IramuteqLargement reconnu pour ses analyses textuelles statistiques et ses possibilités de classification des segments de texte.

L'objectif global de ces logiciels est de permettre une analyse plus rigoureuse, systématique et transparente des données qualitatives, facilitant ainsi le partage et la validation des résultats au sein de la communauté universitaire.

L'intelligence artificielle (IA) dans l'analyse qualitative

L'application de l'IA à l'analyse qualitative comprend des algorithmes et des modèles de apprentissage automatique ou apprentissage profond qui optimisent des processus tels que l'identification des thèmes émergents, l'extraction des sujets et la segmentation des données (Burgui-Burgui, 2023). Fonctionnalités courantes :

• Auto-codageDes algorithmes qui suggèrent des codes en fonction des groupements linguistiques et des modèles présents dans le texte.
• Exploration de texteGénérer des analyses statistiques et des données de distribution des mots, facilitant ainsi la recherche de corrélations.
• ClusteringRegroupement automatisé des données présentant une plus grande similarité, facilitant la formation de catégories préliminaires.
• Suggestions d'interprétationDans une moindre mesure, certains logiciels commencent déjà à proposer des interprétations initiales, bien que celles-ci soient encore très éloignées de la sensibilité humaine.

Malgré les progrès réalisés, il est crucial de reconnaître les limites de ces algorithmes face à la subjectivité et à la complexité contextuelle des phénomènes sociaux (Papakyriakopoulos, Watkins, Winecoff, Jaźwińska et Chattopadhyay, 2021). Par conséquent, la supervision du chercheur est indispensable à l'attribution de sens.

Le Big Data dans la recherche qualitative

Le terme « Big Data » désigne des ensembles de données massifs et diversifiés qui, lorsqu'ils sont appliqués à la recherche qualitative avec l'IA, nécessitent des outils de traitement et d'analyse robustes. Les réseaux sociaux, les systèmes de surveillance numérique et les bases de données clients sont des exemples de sources générant un contenu vaste et souvent non structuré (Guetterman et al., 2018). connaissances Pour garantir la fiabilité de ces bases de données d'informations, les chercheurs ont besoin non seulement de technologies de pointe, mais aussi de stratégies solides de sélection et de gestion des données afin d'en assurer la pertinence et la pertinence.

Questions importantes

Quelles sont les principales fonctionnalités d'IA des outils comme ATLAS.ti, et comment se comparent-elles aux approches manuelles ?

Parmi les outils d'IA présents dans ATLAS.ti figurent la recherche sémantique, le codage automatique et l'analyse de fréquence des termes. Ces fonctionnalités accélèrent des processus qui, manuellement, pourraient prendre des semaines, voire des mois. De manière générale, les avantages par rapport à l'approche manuelle sont les suivants :

• VitesseL'IA évalue de grands volumes de texte en peu de temps.
• Cohérence du codageCela réduit la variation dans l'application du code, minimisant ainsi les biais des chercheurs.
• Large champ d'applicationIdentifier les thèmes ou les schémas qui pourraient passer inaperçus lors de la lecture de manuels.

D'autre part, le regard critique du chercheur demeure essentiel pour interprétation contextualisée D’après les résultats, l’IA ne saisit ni l’ironie, ni les métaphores, ni les nuances culturelles sans une intervention humaine ciblée (Papakyriakopoulos et al., 2021).

Comment l'auto-codage et l'exploration de texte peuvent-ils aider à identifier les thèmes émergents dans les données qualitatives ?

Des outils comme le codage automatique et l'exploration de texte permettent aux chercheurs de repérer rapidement des groupes de mots, d'expressions et d'idées susceptibles de représenter des thèmes récurrents dans le corpus de données. Ainsi, des hypothèses analytiques peuvent être formulées plus rapidement (Burgui-Burgui, 2023). Toutefois, la validation de ces hypothèses – et la contextualisation des thèmes au sein de dynamiques socioculturelles spécifiques – repose sur une analyse approfondie menée par le chercheur.

Quelles sont les limites de l'IA dans l'interprétation des données, et quand l'intervention du chercheur est-elle essentielle ?

Malgré ses fonctionnalités avancées, l'IA présente des limites dans la compréhension des éléments subjectifs et culturels. Par exemple, l'analyse de l'ironie ou l'interprétation d'événements historiques complexes nécessitent une intervention humaine pour situer le discours dans son contexte approprié (Guetterman et al., 2018). L'intervention humaine devient indispensable dans les cas suivants :

• Délimitation théoriqueChoisir le cadre théorique et les questions de recherche.
• Codage interprétatifAdapter les codes proposés par l'IA pour refléter les spécificités culturelles et conceptuelles.
• Discussion des résultatsCritique et réflexion sur la plausibilité des inférences issues des algorithmes.

Comment choisir l'outil adapté en fonction de la méthodologie adoptée et du type de données à analyser ?

Un choix judicieux logiciel d'analyse de données qualitatives Il devrait inclure :

• Compatibilité méthodologiqueSi la recherche est phénoménologique, ethnographique ou mixte, l’outil doit offrir un soutien adéquat pour chaque approche (Paulus et al., 2015).
• Type de donnéesAudio, vidéo, texte ou images. Chaque outil peut offrir une prise en charge différente pour chaque format.
• ÉvolutivitéPour les projets de grande envergure, en particulier ceux impliquant Big DataChoisissez un logiciel doté de capacités de traitement robustes.
• communauté d'assistance et d'utilisabilitéLes ressources de formation, les forums de discussion et les tutoriels peuvent faire toute la différence dans la courbe d'apprentissage.

ATLAS.ti, NVivo et MAXQDA sont des exemples de solutions polyvalentes, mais il appartient au chercheur d'évaluer lesquelles correspondent le mieux à la méthodologie employée (Müller de Andrade et al., 2020). En matière de transcription et d'automatisation, requalify.ai peut s'avérer intéressant pour ceux qui recherchent la rapidité dans l'enregistrement et l'entretien sur le terrain.

Quel est l’impact de l’utilisation du Big Data dans le domaine de l’analyse qualitative ?

L'utilisation du Big Data ouvre des perspectives pour la recherche qualitative, permettant d'analyser une quantité et une diversité de données qui, jusqu'à récemment, auraient été difficiles à gérer. Les commentaires sur les réseaux sociaux, les dossiers du service client et les données de navigation web peuvent être agrégés, offrant ainsi une multitude de possibilités. vue panoramique et mises à jour sur les phénomènes sociaux. Cependant, des défis se posent également en matière de confidentialité, de consentement à l'utilisation des données et de nécessité de recoupement pour garantir l'exactitude et la contextualisation (Guetterman et al., 2018). Avec l'adoption d'algorithmes d'IA, le chercheur doit trouver un équilibre entre rapidité d'analyse et éthique dans l'utilisation de ces informations.

Questions fréquemment posées et erreurs

Confondre les capacités d'« analyse automatique » de l'IA avec une interprétation approfondie des données.

L’IA peut identifier des schémas et catégoriser des termes, mais elle ne comprend pas les dimensions symboliques ou émotionnelles sous-jacentes à chaque expression (Papakyriakopoulos et al., 2021). Il est donc essentiel que le chercheur ne délègue pas l’intégralité de l’analyse à la technologie et conserve toujours son esprit critique et réflexif.

Croire que le logiciel peut « effectuer l'analyse » sans la participation active du chercheur.

Aucun algorithme ne peut remplacer le rôle du chercheur dans l'interprétation et la contextualisation des résultats. Les logiciels tels qu'ATLAS.ti, NVivo ou MAXQDA sont des outils d'aide à la recherche, et non des substituts à l'œil humain (Müller de Andrade et al., 2020). La créativité et la sensibilité analytique demeurent irremplaçables.

Ne pas comprendre les limites des algorithmes lorsqu'ils sont appliqués à des données fortement contextualisées.

Dans de nombreux cas, le contenu à analyser peut contenir un langage figuré ou des expressions locales que les algorithmes ne peuvent pas saisir. Il convient de rappeler que l'IA repose sur des modèles statistiques qui, aussi performants soient-ils, ne rendent pas toujours compte des nuances culturelles et historiques (Guetterman et al., 2018).

Choisir un outil sans tenir compte de sa compatibilité avec la méthodologie de recherche ou le type de données.

De nombreuses déceptions liées aux logiciels d'analyse qualitative de données (CAQDAS) surviennent lorsque le chercheur choisit un logiciel en se basant uniquement sur des recommandations générales, sans tenir compte des spécificités du projet (Paulus et al., 2015). Une analyse préliminaire des caractéristiques des données et du type d'étude est essentielle pour éviter des problèmes ultérieurs.

Caractéristiques spécifiques d'ATLAS.ti

Auto-codage et organisation des données

ATLAS.ti se distingue par ses outils de auto-codageCes suggestions permettent au système de proposer des codes initiaux basés sur des similarités textuelles (Burgui-Burgui, 2023). Elles accélèrent le processus de structuration des données et permettent un gain de temps considérable, notamment pour les études portant sur de grands volumes de données.

Codes de regroupement et de comparaison

Une autre fonctionnalité puissante est la capacité de codes de groupe dans des catégories supérieures, permettant une analyse hiérarchique des thèmes. Le chercheur peut comparer les codes pour visualiser leurs relations et leurs recoupements, créant ainsi cartes mentales qui favorisent l'analyse et la synthèse interprétative.

Interface de recherche et d'exploration de texte

L'interface de recherche d'ATLAS.ti permet de localiser rapidement des termes ou expressions spécifiques dans de vastes ensembles de données, tandis que l'exploration de texte facilite la découverte de schémas de fréquence ou de cooccurrence. Pour les spécialistes du Big Data, cette automatisation peut constituer un atout considérable (Guetterman et al., 2018).

Comparaison entre différents logiciels (NVivo, MAXQDA, Ethnograph, etc.)

Avantages et limites de chaque outil.

• ATLAS.tiInterface conviviale et options d'affichage variées, mais nécessite une période d'apprentissage pour exploiter pleinement les fonctionnalités d'IA.
• NVivoRobuste dans la combinaison de méthodes qualitatives et quantitatives, largement utilisée dans la recherche universitaire pour offrir un soutien avancé à l'analyse des questionnaires (Müller de Andrade et al., 2020).
• MAXQDAIdéal pour différents formats de données et pour la triangulation entre données qualitatives et quantitatives. Il n'offre peut-être pas autant de fonctionnalités d'IA avancées que d'autres solutions.
• EthnographeConçu pour l'analyse ethnographique, mais limité en termes d'exploration de texte et de fonctionnalités d'automatisation complexes.

Aspects méthodologiques guidant le choix des CAQDAS

Le choix du logiciel à adopter ne se limite pas aux fonctionnalités technologiques et implique des aspects tels que :

• Objectifs de rechercheÉtudes de cas, ethnographies, analyse du discours, entre autres.
• Format des donnéesTexte, vidéo, images, audio, liens hypertextes.
• Fonctionnalités d'IA souhaitéesCodage automatique, analyse des sentiments, exploration de textes, entre autres.
• InfrastructureCompatibilité avec le système d'exploitation, capacité de stockage et puissance de traitement.

En tenant compte de ces facteurs, le chercheur sera en mesure de choisir l'outil qui correspond le mieux à son protocole méthodologique.

Le rôle de l'IA dans l'automatisation et l'accélération des processus de transcription et d'analyse.

La transcription d'entretiens et d'enregistrements historiques, qui nécessitait auparavant un travail manuel considérable, peut désormais être accélérée grâce aux logiciels de reconnaissance vocale et aux algorithmes d'intelligence artificielle. Requalify.ai, par exemple, intègre des processus de transcription automatisés d'une grande précision, simplifiant ainsi le travail du chercheur qui souhaite passer rapidement à l'étape du codage (Burgui-Burgui, 2023).

Cette automatisation réduit non seulement l'effort mécanique, mais libère également du temps pour que le professionnel puisse se concentrer sur les activités d'interprétation, qui sont au cœur de la recherche qualitative. Néanmoins, la validation humaine du texte transcrit demeure essentielle pour corriger les erreurs de saisie et garantir la fidélité du discours original.

L'importance de l'intervention humaine dans l'interprétation des résultats générés artificiellement.

Même avec des algorithmes sophistiqués capables de suggérer des codes et de détecter des tendances, l'examen critique du chercheur demeure indispensable. Dans les études qualitatives, la réflexivité est une composante essentielle de la crédibilité scientifique. Autrement dit, le chercheur ne se contente pas de décrire des schémas, mais remet également en question ses propres interprétations et positions théoriques (Paulus et al., 2015).

En ce sens, les résultats produits par des logiciels tels qu'ATLAS.ti et NVivo doivent être considérés comme des points de départ, et non comme des points d'arrivée. Seule une analyse critique – prenant en compte le contexte, la culture et la théorie – permet de parvenir à des conclusions solides et cohérentes avec le phénomène étudié.

L’impact du Big Data et la demande d’outils capables de gérer de grands volumes d’informations.

Avec l'avènement du Big Data, une quantité considérable de données est disponible : publications sur les réseaux sociaux, données géoréférencées, avis des consommateurs, etc. La gestion et le traitement de ce volume d'informations nécessitent des outils alliant évolutivité, robustesse et intégration avec des algorithmes d'IA pour l'exploration de texte et le codage semi-automatique. Sans ces solutions, le chercheur risque de se perdre dans un océan de données disparates (Guetterman et al., 2018).

Cependant, cette abondance de données soulève également des questions éthiques et méthodologiques. Comment garantir la qualité des informations recueillies ? Comment assurer le respect de la vie privée et le consentement éclairé ? Les outils modernes intègrent généralement des mécanismes d’audit et des rapports facilitant le contrôle d’accès et le suivi de chaque étape analytique. Malgré cela, la responsabilité de l’utilisation appropriée des données incombe principalement au chercheur et à l’établissement auquel il est affilié.

Contexte historique et pertinence actuelle

Évolution des méthodes qualitatives

Auparavant, l'analyse qualitative était réalisée manuellement, à l'aide de fiches, d'annotations et d'extraits d'entretiens. Cette méthode, extrêmement détaillée, était cependant laborieuse et sujette à des erreurs d'organisation. L'introduction de logiciels comme ATLAS.ti a révolutionné le processus, permettant de segmenter, comparer et réorganiser plus efficacement de vastes ensembles de données (Paulus et al., 2015).

Pertinence actuelle

Aujourd'hui, la recherche qualitative intégrant l'IA prend une importance croissante. Les outils CAQDAS, associés aux algorithmes d'apprentissage automatique, deviennent indispensables pour gérer la complexité et le volume des données contemporaines. Toutefois, cette avancée ne dispense pas de l'interprétation humaine. Au contraire, la richesse méthodologique de l'approche qualitative repose sur une synthèse entre la technologie et la sensibilité du chercheur (Papakyriakopoulos et al., 2021).

Implications futures

Intégration croissante de l'IA

La tendance actuelle est à l'évolution des logiciels d'analyse de données qualitatives, qui proposent désormais non seulement des codes, mais aussi des interprétations pertinentes. Cependant, malgré les efforts déployés pour créer des algorithmes plus « intelligents », la créativité interprétative demeure largement humaine (Burgui-Burgui, 2023).

Défis éthiques et méthodologiques

Les nouvelles ressources que représentent le Big Data et l'IA soulèvent des défis éthiques, notamment en matière de respect de la vie privée et de consentement. Dans le cadre de recherches qualitatives analysant des données issues de réseaux sociaux ou d'applications de messagerie, une collecte rigoureuse des données et le respect des lois sur la protection des données sont essentiels. Face à l'essor des technologies numériques, les discussions sur les limites et la responsabilité liées à l'utilisation des informations deviennent de plus en plus pressantes (Guetterman et al., 2018).

Outils hybrides

À l'avenir, on peut envisager un scénario où l'IA, l'analyse quantitative et les méthodes qualitatives traditionnelles convergeront sur une plateforme unique. Les outils hybrides permettront non seulement l'analyse de contenu, mais aussi l'exploration statistique avancée et la génération de modèles prédictifs. Cette intégration devrait particulièrement bénéficier aux études interdisciplinaires qui requièrent de multiples perspectives méthodologiques (Papakyriakopoulos et al., 2021).

Conseils pratiques

1. Définir des objectifs clairs.Avant de choisir un logiciel, clarifiez les questions clés concernant votre projet :Quelles données sont prioritaires ?«Quel est mon cadre théorique ?.
2. Utilisez le codage automatique avec prudence.Utiliser des algorithmes d'IA pour identifier les codes potentiels, mais les examiner et les affiner manuellement afin de maintenir leur cohérence théorique.
3. Étudiez les communautés de soutien et d'utilisateurs.Les forums et les groupes de discussion peuvent être essentiels pour résoudre des questions spécifiques concernant chaque logiciel (ATLAS.ti, NVivo, MAXQDA, etc.).
4. Validez vos résultats.Effectuer plusieurs cycles d'évaluation par les pairs afin de garantir la fiabilité et la pluralité des interprétations.
5. Envisagez des solutions de transcription spécialisées.Si votre projet implique de nombreuses heures d'audio ou de vidéo, des plateformes comme requalify.ai peuvent optimiser la transcription grâce à l'IA, rapidement et en toute sécurité.

 Conclusion

Le développement des outils d'IA représente un progrès considérable pour l'analyse des données qualitatives. Des logiciels tels qu'ATLAS.ti, NVivo, MAXQDA et requalify.ai, conçus spécifiquement pour automatiser la transcription et l'analyse, permettent aux chercheurs de traiter des volumes d'informations toujours plus importants et d'effectuer avec agilité le codage, la classification et l'exploration de textes. Toutefois, l'expertise humaine demeure essentielle pour l'interprétation des données, la contextualisation des résultats et la garantie de leur fiabilité.

Qu’il s’agisse de cartographier les thèmes au sein du Big Data, de mener une analyse approfondie d’entretiens ethnographiques ou d’étudier des phénomènes sociaux complexes, ces outils se révèlent de précieux alliés. Leur utilisation exige toutefois des chercheurs une démarche réflexive et éthique, conscients des limites des algorithmes et de l’importance d’une perspective critique. En définitive, la recherche qualitative assistée par l’IA ne remplace pas l’essence interprétative des sciences humaines, mais la complète, offrant des voies plus structurées et efficaces pour appréhender la complexité des phénomènes sociaux.

Foire aux questions

Quelle est la différence entre ATLAS.ti, NVivo et MAXQDA ?
De manière générale, ce sont tous des systèmes d'analyse quantitative et quantitative (CAQDAS) performants, mais ils diffèrent par des aspects tels que l'interface, la robustesse des ressources quantitatives (dans le cas de NVivo) et la prise en charge multimédia (dans le cas de MAXQDA). ATLAS.ti est souvent salué pour son intuitivité et la visualisation des données.

Comment l'IA contribue-t-elle à l'analyse qualitative ?
L'IA accélère des tâches telles que le codage, la suggestion de modèles et l'exploration de données, optimisant ainsi le temps du chercheur. Cependant, l'interprétation finale nécessite une vérification humaine afin de garantir la rigueur théorique et contextuelle.

Est-il possible d'utiliser l'IA pour transcrire des entretiens ?
Oui. Des outils comme le requalifier.ai Elles rendent le processus plus rapide et plus pratique, permettant au chercheur de se concentrer sur l'analyse des informations recueillies.

Qu’est-ce que l’« auto-codage » ?
Cette fonctionnalité permet au logiciel, grâce à des algorithmes d'IA, de suggérer des codes initiaux pour les segments de texte. Il appartient ensuite au chercheur d'évaluer et d'ajuster ces codes, en veillant à leur cohérence avec le cadre théorique.

Comment aborder les questions d'éthique et de confidentialité dans les études utilisant le Big Data ?
Outre le respect des lois sur la protection des données, il est crucial que le chercheur obtienne un consentement éclairé et traite les informations en utilisant des méthodes de stockage et d'analyse sécurisées, en signalant tout risque potentiel pour la vie privée.

L'IA pourrait-elle remplacer complètement le chercheur ?
Non. L’IA facilite et optimise les étapes mécaniques, mais l’interprétation et la compréhension du contexte dépendent toujours du regard critique et de l’expérience du chercheur.

Références bibliographiques

• Burgui-Burgui, M. (2023). Intelligence artificielle dans le codage automatique des entretiens sur les objectifs de qualité du paysage. Comparaison et étude de cas. arXiv. https://arxiv.org/abs/2312.05597
• Guetterman, T. C., Chang, T., DeJonckheere, M., Basu, T., Scruggs, E., & Vydiswaran, V. G. (2018). Augmenter l'analyse qualitative de texte avec le traitement du langage naturel : étude méthodologique. J Med Internet Res;20(6): e231. doi: 10.2196/jmir.9702
• Müller de Andrade, D., Schmidt, EB, & Montiel, FC (2020). Utilisation du logiciel NVIVO comme outil auxiliaire pour l'organisation de l'information dans l'analyse textuelle discursive. Revue de recherche qualitative, 8, (19): 948-970 https://editora.sepq.org.br/rpq/article/download/357/247/1278
•  
• Paulus, T., Woods, M., Atkins, D. P., et Macklin, R. (2015). Le discours du QDAS : pratiques de reporting des utilisateurs d'ATLAS.ti et de NVivo et leurs implications pour les meilleures pratiques. Revue internationale de méthodologie de recherche sociale, 20(1), 35–47. https://doi.org/10.1080/13645579.2015.1102454 
• Papakyriakopoulos, O., Watkins, EA, Winecoff, A., Jaźwińska, K., & Chattopadhyay, T. (2021). Analyse qualitative pour une IA centrée sur l'humain. 35e Conférence sur les systèmes de traitement de l'information neuronale (NeurIPS 2021), Sydney, Australie. https://arxiv.org/abs/2112.03784