Reproductibilité en recherche – Assurer la transparence et la crédibilité de votre travail
2026-02-12
Disclaimer
The opinions expressed in this talk are solely the authors, and do not represent the views of CIQSS, the American Economic Association, or any of the funding agencies.
Vos instructeurs
Marie Connolly
Professeure titulaire, Sciences économiques, École des sciences de la gestion (ESG), UQAM. Sa recherche porte sur divers sujets en économie du travail, tels que la mobilité intergénérationnelle des revenus, la formation du capital humain, l’écart entre les sexes et la famille, la participation des femmes au marché du travail et l’évaluation des politiques publiques. Elle est la “Data Editor” de la Revue canadienne d’économique.
Lars Vilhuber
Directeur exécutif du Labor Dynamics Institute et chercheur associé principal au Département d’économie de Cornell University, et Data Editor de l’American Economic Association.
Éditeur de données de l’AEA
2791 manuscrits et 4470 rapports, environ 5000 auteurs contactés.
Pourquoi la reproductibilité ?
- Les premières publications (20e siècle) contenaient des tableaux de données, et les mathématiques étaient simples (peut-être)
- Les données sont devenues électroniques, n’étaient plus incluses ou citées
- Les mathématiques ont été transcrites en code, et n’étaient plus incluses
Consensus général croissant dans le milieu académique
- Principes FAIR
- Principes de citation de données
- Reproductibilité computationnelle
- Findable (trouvable)
- Accessible
- Interoperable (interopérable)
- Reusable (réutilisable)
Principes de citation de données
- Principes FAIR
- Principes de citation de données
- Reproductibilité computationnelle
- Pour les rendre trouvables, citations,
- Donner attribution et crédit pour les données.
Transparence
- Provenance des données
- Traitement des données, des données brutes aux résultats (code)
The Canadian Journal of Economics endorses DCAS, the Data and Code Availability Standard [v1.0], and its data and code availability policy is compatible with DCAS.
The Canadian Journal of Economics endorses Historiquement
AER 1911 merci à Stefano Dellavigna
Préservation moderne
Éditeurs de données
- American Economic Association (8)
- Econometric Society (3)
- Canadian Journal of Economics (1)
- Royal Economic Society (2)
- Western Economic Association International (1)
- European Economic Association (1)
- Review of Economic Studies (1)
- Journal of the European Economic Association (1)
- Journal of Political Economy (3)
- American Journal of Political Science (1)
- American Political Science Review (1)
Politiques communes
https://social-science-data-editors.github.io/
Ailleurs : Science politique
Ailleurs : Sociologie
Qui est cette personne?
1
Dirk Smeesters
Qui est cette personne? (2)
2
Aidan Toner-Rodgers
2
Peut-être en avez-vous entendu parler
Considérons le cas de Gino
Francesca Gino
Le cas de Gino
- Several articles were investigated by third parties (Data Colada, in particular 3), and found to be problematic
Le cas de Gino
- Au moins un de ces articles avait des données manipulées APRÈS leur collecte, AVANT leur analyse.
Qu’est-ce que c’est ?
Formation
- En biologie, apprentissage de techniques clés
- Pipetage
- Capture-recapture d’animaux sauvages
Flux des données
Transparence dans l’académie
Vérifier la transparence
Vérification par d’autres
- Pré-publication : cascad
- Post-publication : Data Colada, Institute for Replication
Vérification par les institutions
Vérification par vous
- Toner-Rodgers: d’autres ont examiné son travail
- Statistiques (pas trop suspect)
- Sources (hmmm ?)
- Cohérence de l’article (beaucoup plus difficile)
N’empêche pas toute fraude
Qui est cette personne ? (3)
Qui est cette personne ? (3)
Alp Simsek, l’un des …
La transparence est la norme
près de 5 000 auteurs qui ont vu leur travail vérifié par l’AEA Data Editor et son équipe.
École d’été CIQSS 2026
Suppléments
Conseils
Des conseils supplémentaires peuvent être trouvés sur le site web des éditeurs de données en sciences sociales (les URL sont sujettes à changement) :
- https://social-science-data-editors.github.io/guidance/Samples/DCAS_Restricted_data.html
- https://social-science-data-editors.github.io/guidance/Guidance/Requested_information_hosting.html
Exemples de paquets de réplication
Avec des données confidentielles
- https://doi.org/10.3886/E154241V2 pas seulement du code, mais fait face au problème que les données de l’IRS ne peuvent pas avoir de variables révélées. Leur solution de contournement n’est pas la même que dans ce tutoriel.
- https://doi.org/10.3886/E162581V1
Utilisant des conteneurs :
- Kline et al (2024) “A Discrimination Report Card” : paquet de réplication principal, avec spécification du conteneur, image sur Docker Hub, et image préservée sur Zenodo.
- Herbert et al (2024) “Reproduce to validate” : paquet de réplication principal, spécification du conteneur et image préservée sur Borealis.ca.
Informations supplémentaires
- Source de ce document : https://github.com/larsvilhuber/ecole-d-ete-ciqss-2026
- Sous licence
![CC BY-NC 4.0]()
Footnotes
Data Citation Synthesis Group: Joint Declaration of Data Citation Principles. Martone M. (ed.) San Diego CA: FORCE11; 2014 https://www.force11.org/group/joint-declaration-data-citation-principles-final
National Academies of Sciences, Engineering, and Medicine. 2019. Reproducibility and Replicability in Science. Washington, DC: The National Academies Press. https://doi.org/10.17226/25303.
https://datacolada.org/109, https://datacolada.org/110, https://datacolada.org/111, https://datacolada.org/112, https://datacolada.org/114, https://datacolada.org/118
Jones, M. (2024). Introducing Reproducible Research Standards at the World Bank. Harvard Data Science Review, 6(4). https://doi.org/10.1162/99608f92.21328ce3
Comment savoir si une source de données est obtenue de manière fiable ?