Comment marier la tradition psychométrique (variables latentes, équations structurelles) avec les approches modernes du machine learning, sans perdre ni la rigueur ni le sens.
Deux traditions, une même exigence de rigueur
Mon HDR articule deux univers méthodologiques que l'on oppose souvent : les modèles à variables latentes hérités de la psychométrie et de la statistique, et les algorithmes d'apprentissage automatique issus de l'informatique. Loin de s'exclure, ils se complètent.
Les variables latentes apportent du sens : elles modélisent des construits théoriques comme l'optimisme, la résilience, ou le Fonctionnement Optimal Psychologique. Le machine learning apporte la prédiction : il capte des structures fines dans les données, y compris non linéaires.
Pourquoi les marier ?
Utilisés ensemble, ces deux outils permettent de tester des théories à grande échelle et d'identifier les facteurs prédictifs qui comptent vraiment, tout en gardant la possibilité d'interpréter les résultats à la lumière de la théorie.
Cette approche hybride est particulièrement précieuse en santé, en sciences de gestion et en sciences de l'éducation, où les enjeux d'interprétabilité sont aussi importants que la performance brute.
Implications pour la recherche doctorale
C'est ce dialogue méthodologique qui structure mes encadrements doctoraux et qui nourrit la prochaine étape de mes travaux. Les jeunes chercheurs que j'accompagne apprennent à manier les deux familles d'outils et à les confronter de façon disciplinée.