Aujourd’hui

Vos questions de recherche

• Dans quelle mesure la scolarité influence-t-elle l’intérêt pour la politique ?
• Dans quelle mesure gagner une élection rend-il plus satisfait de la démocratie ?
• Dans quelle mesure la scolarité rend-elle plus à gauche ?

Mesure ? Pourquoi ce mot-là ?

Mesurer, ça veut dire quoi ?

Mesurer un concept

Facile à mesurer, impossible à observer

Des concepts qu’on ne voit jamais

Pourquoi ne pas simplement demander ?

Alors, on construit une échelle

Merkley, E. (2022). Polarization Eh? Ideological Divergence and Partisan Sorting in the Canadian Mass Public. Public Opinion Quarterly, 86(4). Huit questions de la CES, deux dimensions, un seul score d’idéologie.

Des échelles, vous en utilisez tous les jours

Comment savoir si une échelle est bonne ?

Un examen, une classe

Données fictives : un schéma.

Un examen d’histoire au secondaire

Données fictives : un schéma.

Chaque question d’une échelle doit aller avec chaque autre.

L’analyse factorielle fait cette vérification pour toutes les questions à la fois, et repère celle qui ne suit pas.

Trois chiffres, trois seuils

topdown_fa(df)

La scolarité rend-elle plus à gauche ?

Un seul chiffre de 0 à 10 ne suffit pas. On lance beaucoup de questions, on garde celles qui collent.

Quatorze questions qu’on croit de gauche ou de droite

De 0 (gauche) à 1 (droite), comme l’auto-positionnement de 0 à 10.

Trois questions ne collent pas

Fiable, oui. Valide ? Les partis, de gauche à droite

Avec l’auto-positionnement de 0 à 10 : corrélation de 0,60. Imparfait, mais dans le même sens.

L’échelle : la moyenne des onze

La scolarité rend-elle plus à gauche ?

> df_clean$universitaire <- case_when(
  df_raw$cps25_education %in% 8:11 ~ 1,
  df_raw$cps25_education %in% 1:7 ~ 0
)

> modele <- lm(ideologie ~ universitaire, data = df_clean)

> modele

Call:
lm(formula = ideologie ~ universitaire, data = df_clean)

Coefficients:
  (Intercept)  universitaire  
      0.47060       -0.07096  

> ▍

Retenir

1. Mesurer, c’est mettre un nombre sur une chose, même une chose qu’on ne peut pas observer.
2. Une seule question ne suffit pas. On construit une échelle.
3. Une bonne échelle est fiable et valide. La fiabilité est statistique, la validité est théorique.
4. Une question qui ne suit pas : elle mesure autre chose (on la retire) ou elle va à l’envers (on la retourne).

Il y a plusieurs définitions de l’IA

• A Est-ce que le système peut décider et agir ? Russell et Norvig 2020
• B Est-ce que le système peut passer pour un humain ? Turing 1950
• C Est-ce que le système décide par la logique ? Jordan et Mitchell 2015

Aucun consensus : beaucoup plus de définitions recensées. Legg et Hutter 2007 Wang 2019

Histoire de l’IA

1950

1960

2000

2010

2020

1962 à 1995

1950

Le jeu de l’imitation

Turing

Computing Machinery and Intelligence Turing 1950

1956

Le terme est forgé

Dartmouth

A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence McCarthy et al. 1955

1958

Le perceptron

Rosenblatt

1997

Deep Blue bat Kasparov

IBM

2003

Premier modèle de langue neuronal

Bengio · Montréal

A Neural Probabilistic Language Model Bengio et al. 2003

2009

ImageNet

Fei-Fei Li

2012

AlexNet

Krizhevsky · Sutskever · Hinton

ImageNet Classification with Deep Convolutional Neural Networks Krizhevsky et al. 2012

2014

Google achète DeepMind

2015

Le mécanisme d’attention

Bahdanau · Cho · Bengio

Neural Machine Translation by Jointly Learning to Align and Translate Bahdanau et al. 2015

2016

AlphaGo bat Lee Sedol

Hassabis

2017

Le transformer

Vaswani et al. · Google

Attention Is All You Need Vaswani et al. 2017

2018

GPT-1

2019

GPT-2

2020

GPT-3

175 milliards de paramètres

Language Models are Few-Shot Learners Brown et al. 2020

2021

Anthropic est fondée

2022

ChatGPT

30 novembre

2023

GPT-4 et Claude

mars

2024

Deux prix Nobel

Hinton · Hassabis

2025

LawZero

Bengio · Montréal

Arbre généalogique de l’IA

Schéma original, inspiré de l’arbre évolutif des LLM de Yang et al. 2023.

Les données d’entraînement

Parts et époques : corpus d’entraînement de LLaMA, tableau 1 Touvron et al. 2023. Sites les plus représentés de C4 Dodge et al. 2021.

Tout ce qu’il fait, c’est prédire le jeton suivant

Le modèle ne voit pas des mots

La phrase qu’il vient d’écrire, telle qu’il l’a vue :

Le surcoût vaut pour toutes les langues éloignées de l’anglais, et la qualité y baisse aussi Ahia et al. 2023.

Ce n’est pas une base de connaissances

Une référence bibliographique produite par un modèle est une hypothèse de référence jusqu’à ce que vous l’ayez vérifiée dans un catalogue. Le principe à retenir

Un poids, c’est la force d’un lien

Poids réels de q_proj, couche 0, lus dans le fichier model.safetensors de Qwen2.5-0.5B. Modèle ouvert : on peut le télécharger et tout lister.

L’hallucination n’est pas un bug

Sortie contrainte · vérification externe · validation sur vérité terrain : les trois parades.

Le biais entre à trois endroits

Composition du corpus d’entraînement de LLaMA Touvron et al. 2023.

Un API, c’est une adresse à qui on écrit

Le modèle ne s’installe pas sur votre poste. Votre script lui envoie du texte ; il en renvoie. Un API, c’est ce point d’entrée : une adresse à qui on écrit, et qui répond.

Les LLMs sont tangibles

• 100 000 GPU dans un seul bâtiment, à Memphis
• 34 841 foyers autant d’électricité que ce nombre de foyers québécois, sur une année
• 35 turbines à gaz brûlées sur place pour l’alimenter
• 700 000 litres d’eau douce évaporés pour entraîner GPT-3

Colossus, à Memphis : nombre de GPU NVIDIA 2024, turbines TechCrunch 2025. Équivalent en foyers calculé d’après la fiche technique du H100 SXM et la consommation résidentielle moyenne d’Hydro-Québec. Eau Li et al. 2023.

L’eau et l’électricité des centres de données

Une requête d’IA, à côté d’autres usages du numérique

Entraîné sur des livres piratés

Des millions de livres détruits pour les numériser

L’IA, un risque pour l’humanité ?

L’IA sur le champ de bataille

La surveillance de masse

Chat vs API

Ce que l’API rend possible

La température

L’enjeu le plus important, en texte libre

Étude électorale canadienne 2025, sondage préélectoral, variable cps25_imp_iss.

Avant : Utilisation de dictionnaires

for (i in seq_len(nrow(donnees))) { ... }

Dictionnaire de 396 mots-clés écrit pour la démonstration, appliqué en R à 300 réponses tirées au hasard (set.seed(2025)).

Maintenant : Utilisation de LLMs

for (i in seq_len(nrow(donnees))) { ... }

Classement par Claude (Anthropic) dans Claude Code, le 5 novembre 2026 : les 300 réponses dans une même session, pas un appel d’API par ligne.

On ne change pas la donnée, on change la consigne

Six consignes soumises à Claude (Anthropic) dans Claude Code, le 5 novembre 2026, sortie en JSON.

Poser une question, obtenir du texte

library(ellmer)

chat <- chat_openrouter(
  model = "google/gemini-3.5-flash-lite",
  echo  = "none"
)

chat$chat("Quelle est la capitale de la France ?")
#> La capitale de la France est **Paris**.

Le même geste, sur un vecteur

library(ellmer)
library(jsonlite)

pays      <- c("France", "Japon", "Bresil")
capitales <- character(length(pays))

for (i in seq_along(pays)) {
  prompt <- paste0(
    "Quelle est la capitale de ", pays[i], " ? ",
    'Reponds uniquement par {"capitale": "..."}'
  )
  chat <- chat_openrouter(model = "google/gemini-3.5-flash-lite", echo = "none")
  reponse <- chat$chat(prompt)
  capitales[i] <- fromJSON(reponse)$capitale
}

data.frame(pays, capitales)
#>     pays capitales
#> 1 France     Paris
#> 2  Japon     Tokyo
#> 3 Bresil  Brasilia

Comment choisir son modèle ?

Catalogue OpenRouter relevé le 24 août 2026.

Comment interpréter le coût

CE QUE ÇA DONNE SUR VOTRE CORPUS

Les 551 avis de La Ligne Rouge, classés une fois

• Haiku 4.5 7,6 ¢
• Sonnet 5 15,1 ¢
• Opus 5 37,8 ¢
• Fable 5 75,6 ¢

CE QUI COÛTE VRAIMENT

• 17 235jetons : les avis
• 25 346jetons : la consigne, renvoyée 551 fois

La consigne coûte plus cher que les données. Elle repart entière à chaque appel.

Tarifs relevés sur anthropic.com/pricing le 24 août 2026. Jetons comptés sur les 551 avis réels du corpus; les prix d’Anthropic s’appliquent à leur propre tokeniseur, l’ordre de grandeur tient.

LM Arena

Méthode et volume de votes Chiang et al. 2024.

La clé se dépose dans .Renviron

# Dans la console R
usethis::edit_r_environ()

# Le fichier s'ouvre. On y ajoute UNE des deux lignes:
GEMINI_API_KEY=votre_cle_ici
# OU
OPENROUTER_API_KEY=votre_cle_ici

# Puis: Session > Restart R
# Sans redemarrage, R ne verra rien.

D’abord un échantillon, ensuite tout le corpus

Rôle → Tâche → Contraintes → Format

Le même besoin, deux prompts

Demandez à l’IA d’écrire le prompt

La précision du modèle n’est pas toujours la bonne mesure

Confidentialité des données

Règles de l’API relevées dans la documentation d’OpenAI le 24 août 2026.

La règle du cours

Trois choses

15 % Examen 2 · Les statistiques descriptives jeudi 12 novembre, 17h20 à 18h20 En classe, après le cours. Sur papier. Sous réserve de la grève.

Vos notes À livre ouvert : vos notes personnelles sont permises, aucun appareil. Préparez-les.

Datacamp Introduction to Regression in R · Simple Linear Regression

Grève le 12 novembre. Je serai sur place. S’il y a piquetage, le cours et l’examen 2 pourraient être reportés. Surveillez votre courriel.

Planifions notre code

# 1. Charger ces2025.rds, créer df_clean
# 2. Regarder une question
# 3. De 0 (gauche) à 1 (droite) : l'économie, la société, nos paris
# 4. Installer sondr, une seule fois
# 5. L'analyse factorielle : les quatorze
# 6. Sans celles qui ne collent pas
# 7. L'échelle : la moyenne
# 8. La validité : les partis, l'auto-positionnement
# 9. L'appliquer : lm(ideologie ~ scolarité)
# 10. Sauvegarder df_clean

Avant de commencer, dans Positron

> library(dplyr)

> library(haven)

> df_raw <- readRDS("ces2025.rds")

> df_clean <- data.frame(id = 1:nrow(df_raw))

> ▍

Une question, telle que la CES la code

> table(as_factor(df_raw$pes25_equalrights), useNA = "ifany")

               1. Strongly disagree                2. Somewhat disagree 
                               4806                                2692 
      3. Neither agree nor disagree                   4. Somewhat agree 
                               2603                                2156 
                  5. Strongly agree 6. Don't know/ Prefer not to answer 
                               1442                                 376 
                               <NA> 
                               6105 

> ▍

L’économie : de 0 (gauche) à 1 (droite)

> accord <- function(x) ifelse(x %in% 1:5, (x - 1) / 4, NA)

> df_clean$ideo_niveau_vie <- case_when(
  df_raw$pes25_stdofliving == 1 ~ 0,
  df_raw$pes25_stdofliving == 2 ~ 1
)

> df_clean$ideo_inegalites <- 1 - accord(df_raw$pes25_govt_act_ineq)

> df_clean$ideo_prive <- accord(df_raw$pes25_privjobs)

> df_clean$ideo_merite <- accord(df_raw$pes25_blame)

> df_clean$ideo_prog_sociaux <- accord(df_raw$pes25_deserve2)

> ▍

La société, la même recette

> df_clean$ideo_egalite <- accord(df_raw$pes25_equalrights)

> df_clean$ideo_femmes <- accord(df_raw$pes25_womenhome)

> df_clean$ideo_integration <- accord(df_raw$pes25_fitin)

> df_clean$ideo_immig_emplois <- accord(df_raw$pes25_immigjobs)

> df_clean$ideo_modes_vie <- accord(df_raw$pes25_newerlife)

> df_clean$ideo_autochtones <- 1 - accord(df_raw$pes25_indig_deserve)

> ▍

Nos paris

> df_clean$ideo_commerce <- accord(df_raw$pes25_trade)

> df_clean$ideo_defense <- case_when(
  df_raw$cps25_spend_defence == 1 ~ 0,
  df_raw$cps25_spend_defence == 2 ~ 0.5,
  df_raw$cps25_spend_defence == 3 ~ 1
)

> df_clean$ideo_francais_qc <- case_when(
  df_raw$pes25_langQC == 2 ~ 1,
  df_raw$pes25_langQC == 1 ~ 0
)

> ▍

sondr, puis les gens qui ont répondu aux quatorze

> install.packages("remotes")                 # une seule fois

> remotes::install_github("clessnverse/sondr")   # une seule fois

> library(sondr)

> df_fa <- na.omit(select(df_clean, starts_with("ideo_")))

> nrow(df_fa)

[1] 8529

> ▍

L’échelle : la moyenne des onze

> df_clean <- select(df_clean, -ideo_commerce, -ideo_defense, -ideo_francais_qc)

> df_clean$ideologie <- rowMeans(select(df_clean, starts_with("ideo_")))

> summary(df_clean$ideologie)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.     NAs 
 0.0000  0.2727  0.4318  0.4324  0.5682  1.0000    9922 

> ▍

L’économie et nos paris, mot pour mot

1. pes25_stdofliving→ ideo_niveau_vie« Le gouvernement devrait : voir à ce que tout le monde ait un niveau de vie décent, ou laisser les gens avancer par eux-mêmes. »d’accord = gauche : 1 − x
2. pes25_govt_act_ineq→ ideo_inegalites« Le gouvernement devrait prendre des mesures pour réduire les écarts entre les niveaux de revenus. »d’accord = gauche : 1 − x
3. pes25_privjobs→ ideo_prive« Le gouvernement devrait laisser au secteur privé l’entière responsabilité de créer des emplois. »
4. pes25_blame→ ideo_merite« Ceux qui ne réussissent pas dans la vie devraient se blâmer eux-mêmes, pas le système. »
5. pes25_deserve2→ ideo_prog_sociaux« Les programmes sociaux incitent les gens à moins se débrouiller par eux-mêmes. »
6. pes25_trade→ ideo_commerce« Le commerce international crée plus d’emplois au Canada qu’il n’en détruit. »
7. cps25_spend_defence→ ideo_defense« Combien le gouvernement fédéral devrait-il dépenser en défense ? (moins, autant, plus) »
8. pes25_langQC→ ideo_francais_qc« Selon vous, la langue française est-elle menacée au Québec ? (oui, non) »

La société, mot pour mot

1. pes25_equalrights→ ideo_egalite« Nous sommes allés trop loin dans la promotion des droits égaux dans ce pays. »
2. pes25_womenhome→ ideo_femmes« La société se porterait mieux si moins de femmes travaillaient à l’extérieur du foyer. »
3. pes25_fitin→ ideo_integration« Un trop grand nombre d’immigrants récents ne veut tout simplement pas s’intégrer. »
4. pes25_immigjobs→ ideo_immig_emplois« Les immigrants enlèvent des emplois aux autres Canadiens. »
5. pes25_newerlife→ ideo_modes_vie« Les nouveaux modes de vie contribuent à la dégradation de notre société. »
6. pes25_indig_deserve→ ideo_autochtones« Les Peuples autochtones ont reçu moins que ce qu’ils méritent au cours des dernières années. »d’accord = gauche : 1 − x

Sources de la partie IA

Images d’archives, Wikimedia Commons : Anthropic (Capture de la page de tarification publique, reproduite en contexte pédagogique) · Carl Lender (CC BY 2.0) · Posit / tidyverse (MIT, logo du paquet R ellmer) · Google Inc. (Public domain (marque déposée de Google — usage nominatif)) · Elliott & Fry (Public domain) · John C. Hay, Albert E. Murray (Public domain) · Maryse Boyce (CC BY 4.0) · "null0" (CC BY-SA 2.0) · OpenAI (Public domain) · Anthropic (Public domain) · DeepMind Technologies Limited (Alphabet, Inc.). (Public domain) · James the photographer (CC BY 2.0) · Jay Dixit (CC BY-SA 4.0) · ITU Pictures (CC BY 2.0) · Alain Herzog (CC BY-SA 4.0)