Gestion données quanti/qualitatives bonnes pratiques code

Cet enseignement constitue le prolongement direct de l'EC « Introduction à R » du semestre 2 du Master 1, dans lequel les étudiants ont acquis les bases de l'analyse statistique sous R et RStudio et une première familiarisation avec GitHub. Il s'adresse à des étudiants disposant déjà d'une pratique minimale de ces outils et vise à les amener vers une maîtrise avancée des bonnes pratiques de gestion, de documentation et de partage des données de recherche, qu'elles soient quantitatives ou qualitatives. Une première partie est consacrée aux bonnes pratiques de structuration et de documentation du code : organisation des projets de recherche sous RStudio, conventions de nommage, commentaire et lisibilité du code, automatisation des analyses via des scripts reproductibles, et gestion avancée du versionnage avec Git et GitHub (branches, pull requests, gestion des conflits, dépôts collaboratifs). Une deuxième partie porte sur la gestion des données de recherche dans une logique de science ouverte. L'enseignement s'appuie sur les principes FAIR (données Faciles à trouver, Accessibles, Interopérables et Réutilisables) et introduit les outils institutionnels de gestion des données — en particulier OSF (Open Science Framework) et GitHub — comme alternatives pratiques et opérationnelles au plan de gestion de données (PGD) formel requis par les financeurs de la recherche (ANR, Europe). Les étudiants apprennent à structurer un dépôt OSF documenté, à y associer un dépôt GitHub contenant le code d'analyse, et à organiser l'ensemble de leurs matériaux de recherche (données brutes, données transformées, entretiens, scripts, stimuli, questionnaires) de manière à garantir leur accessibilité et leur réutilisabilité à long terme. Les spécificités liées à la gestion des données qualitatives — anonymisation des corpus, documentation des grilles de codage, traçabilité des décisions analytiques — sont également abordées. Une troisième partie traite des exigences légales et éthiques encadrant la gestion des données en psychologie : protection des données personnelles et conformité au RGPD, gestion des données sensibles, préparation d'un dossier pour un comité d'éthique, et conditions de partage et d'archivage à long terme.

À l'issue de cet enseignement, les étudiants seront capables d'organiser, de documenter et de partager l'ensemble des matériaux de leur projet de recherche selon les standards contemporains de la science ouverte, en mobilisant de manière intégrée les outils GitHub et OSF. Ils sauront produire un code d'analyse reproductible, structurer un dépôt de données conforme aux principes FAIR, et répondre aux exigences légales et éthiques encadrant la gestion des données en psychologie.

Session 1 : Devoir sur table. Écrit - QCM ou rédaction - durée 1 heure

Session 2 : Devoir sur table. Écrit - QCM ou rédaction - durée 1 heure

Dérogatoire : pas de dérogatoire

Non compensable

Pas de pré-requis

À l'issue de l'enseignement, l'étudiant sera capable :
d'organiser un projet de recherche sous RStudio selon les conventions de structuration et de nommage en usage dans la recherche reproductible.
- de produire un code d'analyse commenté, lisible et reproductible, intégrant les bonnes pratiques de documentation.
- d'utiliser Git et GitHub de manière avancée (versionnage, branches, dépôts collaboratifs) pour gérer l'évolution d'un projet de recherche.
- de structurer un dépôt OSF documenté associant données, matériaux et code d'analyse, conforme aux principes FAIR.
- d'appliquer les règles d'anonymisation et de documentation spécifiques aux données qualitatives (corpus d'entretiens, grilles de codage).
- d'identifier et respecter les exigences légales et éthiques encadrant la collecte, le stockage et le partage des données en psychologie (RGPD, comité d'éthique, données sensibles).
- d'anticiper les exigences de gestion des données requises par les grands financeurs de la recherche (ANR, Europe) dans le cadre d'un plan de gestion de données (PGD).

Bryan, J. (2018). Excuse me, do you have a moment to talk about version control? The American Statistician, 72(1), 20–27.
The Open Science Manual. https://arca-dpss.github.io/manual-open-science/index.html
ANR (2025). Fiche pratique : Comprendre ce qu'est un plan de gestion de données (PGD). Service de la valorisation et appui à la recherche de la DRED, Université Paris Nanterre.
Atelier Plan de gestion des données de sa thèse : https://hal.science/hal-04802293v1/file/20241025_Atelier_PGD_OAW2024UPN.pdf
Van Lissa, C. J., Brandmaier, A. M., Brinkman, L., Lamprecht, A.-L., Peikert, A., Struiksma, M. E., & Vreede, B. M. I. (2021). WORCS : A workflow for open reproducible code in science. Data Science, 4(1), 29‑49. https://doi.org/10.3233/DS-210031
Lakens, D. (2026, février 8). The 20% Statistician : On the reliability and reproducibility of qualitative research. The 20% Statistician. https://daniellakens.blogspot.com/2026/02/on-reliability-and-reproducibility-of.html
Cole, N. L., Ulpts, S., Bochynska, A., Kormann, E., Good, M., Leitner, B., & Ross-Hellauer, T. (2024). Reproducibility and replicability of qualitative research : An integrative review of concepts, barriers and enablers (N5zkw_v1). MetaArXiv. https://doi.org/10.31222/osf.io/n5zkw_v1
Haven, T., & Gawehns, D. (2025). Making reproducibility work for qualitative research methods – and not the other way around https://reproducibilitynetwork.nl/2025/05/06/making-reproducibility-work-for-qualitative-research-methods-and-not-the-other-way-around/
Community of Practice for Open Naturally Occurring Data. https://www.opennaturallyoccurringdata.com/about-us

Logiciels R, RStudio et Git (libres et gratuits) ; plateforme GitHub (compte gratuit) ; plateforme OSF (https://osf.io, compte gratuit) ; plateforme DMP OPIDoR (https://dmp.opidor.fr) ; fiche pratique PGD de la DRED de l'Université Paris Nanterre ; contact ADN — Atelier de la donnée de Nanterre ; supports de séances fournis par l'enseignant.