Show item record

dc.contributor.advisorLanovaz, Marc
dc.contributor.authorHeng, Emily
dc.date.accessioned2021-06-01T13:04:05Z
dc.date.availableNO_RESTRICTIONfr
dc.date.available2021-06-01T13:04:05Z
dc.date.issued2021-03-24
dc.date.submitted2020-08
dc.identifier.urihttp://hdl.handle.net/1866/25134
dc.subjectapprentissage automatiquefr
dc.subjecterreurs de type Ifr
dc.subjectprotocole à cas uniquesfr
dc.subjectprotocole avec alternance de traitementsfr
dc.subjectréseaux de neurones artificielsfr
dc.subjectalternating-treatment designfr
dc.subjectartificial neural networksfr
dc.subjectmachine learningfr
dc.subjectN-of-1 trialsfr
dc.subjecttype I errorfr
dc.subject.otherApplied Sciences - Artificial Intelligence / Sciences appliqués et technologie - Intelligence artificielle (UMI : 0800)fr
dc.titleL’intelligence artificielle pour analyser des protocoles avec alternance de traitementsfr
dc.typeThèse ou mémoire / Thesis or Dissertation
etd.degree.disciplinePsychoéducationfr
etd.degree.grantorUniversité de Montréalfr
etd.degree.levelMaîtrise / Master'sfr
etd.degree.nameM. Sc.fr
dcterms.abstractLes protocoles avec alternance de traitements sont des protocoles expérimentaux à cas uniques utiles pour évaluer et pour comparer l’efficacité d’interventions. Pour l’analyse de ces protocoles, les meilleures pratiques suggèrent aux chercheurs et aux professionnels d’utiliser conjointement les analyses statistiques et visuelles, mais ces méthodes produisent des taux d’erreurs insatisfaisants sous certaines conditions. Dans le but de considérer cet enjeu, notre étude a examiné l’utilisation de réseaux de neurones artificiels pour analyser les protocoles avec alternance de traitements et a comparé leurs performances à trois autres approches récentes. Plus précisément, nous avons examiné leur précision, leur puissance statistique et leurs erreurs de type I sous différentes conditions. Bien qu’il ne soit pas parfait, le modèle de réseaux de neurones artificiels présentait en général de meilleurs résultats et une plus grande stabilité à travers les analyses. Nos résultats suggèrent que les réseaux de neurones artificiels puissent être des solutions prometteuses pour analyser des protocoles avec alternance de traitements.fr
dcterms.abstractAlternating-treatment designs are useful single-case experimental designs for the evaluation and comparison of intervention effectiveness. Most guidelines suggest that researchers and practitioners use a combination of statistical and visual analyses to analyze these designs, but current methods still produce inadequate levels of errors under certain conditions. In an attempt to address this issue, our study examined the use of artificial neural networks to analyze alternating-treatment designs and compared their performances to three other recent approaches. Specifically, we examined accuracy, statistical power, and type I error rates under various conditions. Albeit not perfect, the artificial neural networks model generally provided better and more stable results across analyses. Our results suggest that artificial neural networks are promising alternatives to analyze alternating-treatment designs.fr
dcterms.languagefrafr


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show item record