Examen psychométrique

Analyse critique d'une validation psychométrique ou d'un manuscrit (Rasch, TRI, AFC, Rasch multi-facettes / conception avec évaluateurs) d'un questionnaire, d'une mesure rapportée par le patient ou d'un panel d'évaluation par experts. Utilisé principalement pour l'auto-examen : vérifier sa propre analyse et son manuscrit avant soumission afin de corriger les problèmes avant qu'un évaluateur de revue ne les trouve. Évalue également un article déjà publié et rédige un rapport d'examen par les pairs (rapport de relecture) sur le manuscrit de quelqu'un d'autre. Structure la critique autour des quatre critères de mesure (unidimensionnalité, indépendance locale, invariance/DIF, monotonie), remplace les seuils fixes basés sur des règles empiriques par des seuils basés sur simulation, et cite des articles méthodologiques issus de la bibliothèque de référence intégrée.

Qu'est-ce que Examen psychométrique ?

Cette compétence est conçue pour les chercheurs, évaluateurs et rédacteurs qui examinent des travaux de validation psychométrique. Elle fonctionne en trois modes : (1) l'auto-examen, qui vérifie le manuscrit et l'analyse de l'utilisateur avant soumission; (2) l'évaluation d'un article déjà publié, qui juge la solidité des affirmations de mesure et leurs implications pour les utilisateurs du score; (3) le rapport de relecture, qui structure les commentaires à une revue. La compétence applique un cadre d'évaluation systématique basé sur la littérature récente en psychométrie, notamment autour de quatre critères fondamentaux : l'unidimensionnalité, l'indépendance locale, l'invariance (ou DIF) et la monotonie. Elle rejette les seuils fixes (comme les valeurs de coupe de Hu & Bentler ou les MSQ 0.5-1.5) au profit de seuils adaptatifs basés sur simulation (bootstrap paramétrique) et cite explicitement des articles clés (comme Johansson et al. 2026, Goretzko & al. 2026). Elle intègre des vérifications supplémentaires pour l'auto-examen (cohérence code/texte, comparaison des chiffres) et exclut tout padding ou conseil général non pertinent. Les sorties suivent des templates QMD et sont classées par gravité des problèmes.

Compatible avec✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/pgmj/psychometrics-skill/tree/HEAD

Installed? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait Examen psychométrique ?

Guide pratique pour l'examen des travaux de validation de questionnaires et de PROM (Rasch, TRI, AFC). Commencez par la théorie : nommez le problème, citez un article méthodologique, puis recommandez la solution (une méthode et, le cas échéant, un logiciel). Soyez direct et constructif.

Trois modes

Par défaut, passez à l'auto-examen lorsque l'utilisateur fournit son propre travail. S'il n'est pas clair de qui est le travail, ou s'il est publié, demandez.

  1. Auto-examen (par défaut). L'analyse et le manuscrit de l'utilisateur, avant soumission. L'objectif est de trouver et corriger ce qu'un évaluateur de revue pourrait objecter. Sortie : un mémo d'examen interne (templates/self-review.qmd) avec des problèmes classés par gravité, chacun avec une correction concrète.
  2. Évaluation d'un article publié. Un article déjà en ligne, lu par quelqu'un qui décide d'utiliser l'instrument, de le citer, de l'inclure dans une revue systématique ou de le présenter dans un club de lecture. L'objectif est de juger lesquelles des affirmations de mesure de l'article sont étayées par les preuves rapportées, et ce que cela signifie pour quiconque utilise les scores. Sortie : un mémo d'évaluation (templates/appraisal.qmd) avec chaque problème classé comme saper une affirmation principale (l'affirmation ne tient pas sur les preuves rapportées), affaiblir une affirmation (l'affirmation peut tenir, mais les preuves sont plus minces que présentées) ou mineur, avec la conséquence pour les utilisateurs à la place d'une correction.
  3. Rapport de relecture. Le manuscrit de quelqu'un d'autre, examiné pour une revue. Sortie : un rapport de relecteur (templates/referee-report.qmd) adressé aux auteurs et à l'éditeur. Les manuscrits en cours d'examen sont confidentiels. Ne les envoyez pas à des services que l'utilisateur n'a pas approuvés. Recommandez des méthodes et des logiciels par ce qu'ils font, non par qui les a écrits, et évitez tout libellé qui pourrait identifier le relecteur. Ne faites pas de la citation des propres articles du relecteur une condition. Lorsque le propre travail de l'utilisateur est la meilleure source, citez-le aux côtés d'autres sources si possible et laissez le choix à l'utilisateur.

Le cadre d'évaluation ci-dessous est le même dans les trois modes. Ce qui diffère, ce sont les entrées, les vérifications supplémentaires dans l'auto-examen et la sortie.

Workflow

  1. Définissez le mode et le type de modèle : Rasch ou TRI (dichotomique ou polytomique), AFC, Rasch multi-facettes, ou une combinaison. Seules les sections qui s'appliquent à ce modèle sont pertinentes.
  2. Rassemblez les entrées listées ci-dessous et lisez tout avant d'écrire.
  3. En auto-examen, commencez par les vérifications que seul l'auteur peut effectuer (voir « Vérifications supplémentaires en auto-examen ») : les chiffres par rapport à la sortie, et le code par rapport au texte.
  4. Parcourez les deux préoccupations transversales, les quatre critères, les vérifications supplémentaires qui s'appliquent, et la section spécifique au modèle (AFC ou MFRM).
  5. Classez les problèmes et remplissez le modèle pour le mode.

Ne soulevez que les problèmes présents dans ce manuscrit, et pointez vers les preuves (section, tableau, passage cité, ligne de code). Distinguez « non rapporté » de « rapporté et échoué ». Supprimez les sections du modèle qui ne s'appliquent pas et n'ajoutez pas de conseils généraux dont le manuscrit n'a pas besoin.

D'abord, rassemblez les entrées

Auto-examen.

  • Le brouillon du manuscrit, y compris les tableaux, figures et matériel supplémentaire.
  • Le code d'analyse et sa sortie (scripts R, fichiers Quarto/R Markdown, sorties logicielles). De nombreux problèmes ne sont visibles que là : l'estimateur réellement utilisé, les seuils réellement appliqués, les items réellement supprimés.
  • La revue cible et toute ligne directrice de rapport qu'elle exige.

Évaluation d'un article publié.

  • L'article publié et son matériel supplémentaire, ainsi que toutes les données et le code partagés. La plupart des articles publiés n'ont ni l'un ni l'autre, donc jugez ce qui est rapporté et dites quelles affirmations ne peuvent pas être vérifiées à partir de l'article seul. Un test manquant est une lacune dans les preuves, et non une preuve que le critère tient.
  • Ce que le lecteur attend de l'article (choisir un instrument, une population ou une version linguistique particulière, un score total par rapport à un score de sous-échelle). La même faiblesse peut être importante pour une utilisation et pas pour une autre. Si l'utilisation prévue n'est pas indiquée, demandez-la, ou évaluez les utilisations que l'article lui-même recommande.
  • Jugez l'article selon les méthodes de son époque, mais dites quand des travaux méthodologiques ultérieurs montrent qu'un choix n'est pas fiable (par exemple un seuil d'ajustement fixe), car cela affecte la confiance que l'on peut accorder au résultat aujourd'hui. Gardez les deux jugements séparés, afin que l'évaluation apparaisse comme un jugement des preuves et non des auteurs.
  • Pour chaque problème ouvert, dites quelle analyse le résoudrait (par exemple un test d'ajustement basé sur simulation, un test de dépendance locale, un DIF pour un groupe dont l'utilisation prévue a besoin, un test d'invariance strict) et si une réanalyse des données partagées suffirait ou si de nouvelles données sont nécessaires.

Rapport de relecture.

  • Le PDF du manuscrit (texte principal, tableaux, figures et tout matériel supplémentaire).
  • Pour une révision : la réponse point par point des auteurs et l'examen précédent. Numérotez les commentaires (par exemple R2.1, R2.2) et, dans les tours suivants, suivez ceux qui sont résolus, ceux qui sont répondus par du matériel qui aborde un point différent, et ceux qui sont refusés. « C'est conventionnel » ou « suffisant pour nos objectifs » n'est pas une réfutation. Dites-le et reformulez ce qui a été demandé.
  • Si l'article n'a pas de numéros de page ou de ligne, citez le passage commenté afin que les auteurs puissent le trouver.

Lisez tout avant d'écrire. Mappez chaque affirmation de mesure au critère auquel elle appartient, puis vérifiez chaque critère à son tour.

Le cadre d'évaluation

Structurez la critique des méthodes et des résultats autour des quatre critères qui sous-tendent la mesure de niveau intervalle [@christensenPsychometricValidationPROM2021; @kreinerValidityObjectivityReflections2007]. Deux préoccupations traversent généralement les quatre. Soulevez-les une fois, en premier.

Préoccupation transversale 1 : taille de l'échantillon et puissance

La stabilité de l'étalonnage n'est pas la contrainte déterminante. La puissance pour détecter les écarts testés l'est. Les petits échantillons (et les petits sous-groupes DIF) signifient une faible sensibilité au mésappariement, à la dépendance locale et au DIF, donc les résultats « aucun problème trouvé » sont préliminaires. N'acceptez pas les règles de N minimum provenant de sources non évaluées par les pairs (Rasch Measurement Transactions, rasch.org, notes de Linacre). Citez [@johanssonSimulationbasedCutoffsConditional2026] sur la puissance.

Préoccupation transversale 2 : seuils basés sur des règles empiriques par rapport aux seuils basés sur simulation

Le problème récurrent dans cette littérature. Les valeurs critiques fixes (MSQ d'ajustement d'item 0,5 à 1,5 ou 0,7 à 1,3, Q3 > 0,2, valeur propre du premier contraste > 2,0, seuils CFA de Hu et Bentler, ΔCFI 0,01 pour l'invariance) dépendent de la taille de l'échantillon et des propriétés des items et sont erronées dans les deux sens [@mullerItemFitStatistics2020; @marshSearchGoldenRules2004; @mcneishHowPsychologistsDetermine2026]. Recommandez des seuils adaptatifs aux données, basés sur simulation (bootstrap paramétrique) [@johanssonDetectingItemMisfit2025; @johanssonSimulationbasedCutoffsConditional2026]. Pour les itérations, les règles de décision et la correction pour erreur familiale (Westfall-Young, au moins 400 itérations), citez [@johanssonSimulationbasedCutoffsConditional2026]. Pour le choix entre le contrôle du taux d'erreur familial et celui du taux de fausses découvertes pour un nombre modéré de tests, par exemple un par item, citez [@ferreiraMethodsTestingSmall2024].

Pour l'ajustement CFA, Groskurth et al. [-@groskurthWhyWeNeed2024, p. 3907] donnent la démonstration la plus concrète : dans un modèle à un facteur avec six items et N = 200, la valeur qui rejette 5 % des modèles correctement spécifiés est CFI = .813 lorsque les saturations sont .40 et .979 lorsqu'elles sont .80. Une seule valeur fixe ne peut pas servir les deux. Les éditeurs du European Journal of Psychological Assessment demandent désormais aux auteurs d'« abandonner toutes les règles de seuils fixes (pas seulement celles suggérées par Hu & Bentler, 1999) » [@goretzkoStopUsingFixed2026, p. 80], ce qu'un relecteur peut citer lorsque les auteurs défendent un seuil comme pratique acceptée. Les outils CFA, MGCFA et bifacteur sont couverts dans leur propre section ci-dessous.

Remettez en question chaque seuil fixe, quelle que soit sa source, sur deux terrains. De quoi est-il dérivé : une simulation, une dérivation ou une suggestion informelle qui s'est ensuite durcie en règle ? Et se généralise-t-il au modèle, à l'estimateur, au nombre de catégories, à la taille de l'échantillon et aux saturations actuels ? Cela s'applique également aux valeurs fixes qu'un relecteur serait tenté de fournir à leur place : une corrélation résiduelle de ±,10, un indice de modification supérieur à 10, une ECV de .70, un dMACS de .40. Si une valeur doit être utilisée, appelez-la une heuristique et donnez sa source, et ne laissez pas un verdict reposer sur elle seule.

La même chose s'applique aux valeurs p asymptotiques utilisées comme si elles étaient exactes. Le test item-restscore compare le gamma de Goodman-Kruskal observé entre un item et son restscore avec le gamma attendu sous le modèle de Rasch [@kreinerNoteItemRestscore2011]. Kreiner [-@kreinerNoteItemRestscore2011, p. 559] note que le tableau item × restscore devient grand et clairsemé à mesure que le nombre d'items et de catégories augmente, de sorte que la distribution asymptotique est une mauvaise approximation, et il suggère des valeurs p de Monte Carlo ou de bootstrap paramétrique. Une simulation nulle de l'implémentation iarm montre l'ampleur du problème [@johanssonCalibrationAsymptoticItemRestscore2026]. Parce que le gamma attendu est estimé à partir des mêmes données, la statistique z est trop petite. La queue de sous-ajustement rejetait 0,2 à 1,2 % contre un nominal de 2,5 %. Un biais de petit échantillon agit dans l'autre sens : avec la correction de Benjamini-Hochberg sur 20 items dichotomiques, un vrai modèle de Rasch avait au moins un item signalé dans 13,5 % des échantillons à n = 150, et 30,5 % lorsque l'échelle était mal ciblée. Les items polytomiques étaient conservateurs à chaque n. Aucune correction unique au niveau nominal ne résout les deux. Demandez des valeurs p de bootstrap paramétrique qui ré-estiment les paramètres des items à chaque réplication (RMitemRestscoreCutoff() dans easyRasch2).

1. Unidimensionnalité

  • La valeur propre du premier contraste de l'ACP des résidus < 2,0 est une règle empirique qui échoue dans tous les contextes [@chouCheckingDimensionalityItem2010]. La valeur propre attendue varie avec N. Les comparaisons inter-études des valeurs propres nécessitent des plages attendues par étude pour être interprétables.
  • RUMM PCAR/t-test : exigez un intervalle de confiance binomial fiable (Hagell 2014, doi:10.4236/ojs.2014.46044) et interprétez le test t avec prudence.
  • Recommandez un test direct : AFC avec WLSMV/DWLS, traitant les items comme ordinaux, avec un ajustement comparé à des seuils basés sur simulation (voir « Ajustement du modèle CFA, MGCFA et bifacteur » ci-dessous), ou le test de Martin-Löf [@christensenTestingUnidimensionalityPolytomous2002] avec des valeurs p de Monte Carlo [@christensenMonteCarloApproach2007].
  • Une AFC à un facteur n'est significative comme test d'unidimensionnalité que lorsque son ajustement est jugé par rapport à des seuils basés sur simulation pour ce modèle, cet estimateur et cet échantillon. Contre des seuils fixes comme ceux de Hu et Bentler, ce n'est pas un test du tout, car la même valeur d'indice peut signifier un bon ou un mauvais ajustement selon les saturations, N et le nombre de catégories (voir « Ajustement du modèle CFA, MGCFA et bifacteur »). Même dans ce cas, il teste l'unidimensionnalité sous un modèle avec des saturations libres, et non sous le modèle de Rasch. Lisez-le en parallèle avec l'ajustement des items, qui teste la discrimination égale, et les vérifications de dépendance locale, car la dépendance résiduelle réduit également l'ajustement de l'AFC. Contraindre les saturations à être égales rapproche l'AFC du modèle de Rasch si cette comparaison est souhaitée.
  • Pour une échelle avec des sous-échelles, demandez que chaque sous-échelle soit ajustée comme son propre modèle unidimensionnel avant tout modèle à facteurs corrélés, d'ordre supérieur ou bifacteur, afin que les lecteurs puissent voir si chacune tient seule.
  • Aide visuelle : tracez les saturations standardisées sur le premier contraste résiduel par rapport à la localisation de l'item.

2. Indépendance locale

Souvent omis, insistez donc dessus. La dépendance de réponse est probable chaque fois que les items sont des quasi-duplicatas (par exemple des paires formulées de manière ascendante et descendante). Si les auteurs anticipent la dépendance locale attendue (par exemple en regroupant les paires), demandez d'abord une analyse initiale avec les items inchangés.

  • Détectez avec les corrélations résiduelles Q3 [@yenEffectsLocalItem1984] et des seuils par paire basés sur simulation [@christensenCriticalValuesYens2017; @nason_another_2025], et avec le gamma partiel, qui évalue les deux directions et signale donc la dépendance de réponse.
  • Résolvez (en plus de la suppression) avec des testlets/super-items (revérifiez l'ordre des seuils après fusion) ou le modèle de Rasch log-linéaire graphique [@kreinerAnalysisLocal2004] dans DIGRAM.
  • La dépendance locale gonfle la fiabilité [@raykovBiasCoefficient2001] et peut fabriquer un facteur général bifacteur. Les items surajustés signalent très souvent une dépendance locale [@tuerlinckxEffectIgnoringItem2001].

3. Invariance (DIF)

  • Nommez le test et justifiez tout seuil de magnitude (par exemple 0,5 logit) avec un article méthodologique, et non un article appliqué. Le gamma partiel conditionnel au score total [@bjornerDifferentialItemFunctioning1998; @kreinerAnalysisMultidimensionalContingency1987] et les arbres de Rasch [@stroblRaschTreesNew2015] sont des articles méthodologiques pour les tests courants.
  • Évaluez le DIF au niveau du seuil (fonctionnement différentiel de l'étape), et non seulement la localisation moyenne de l'item. Traitez les covariables continues (par exemple l'âge) de manière continue via les arbres de Rasch [@stroblRaschTreesNew2015] ou les arbres à crédit partiel [@henningerPartialCreditTrees2025].
  • Quantifiez l'impact du DIF (tableaux de conversion ancrés, tracés de déplacement), et non seulement la détection. Pour l'invariance CFA (MGCFA, longitudinale ou dyadique), utilisez des seuils basés sur simulation, et non ΔCFI 0,01 [@cheungEvaluatingGoodnessOfFit2002] ou les valeurs de Chen [-@chenSensitivityGoodnessFit2007]. Voir « Ajustement du modèle CFA, MGCFA et bifacteur » ci-dessous pour les outils et leurs limites.
  • Distinguez le DIF réel du DIF artificiel. Un item signalé peut refléter un DIF dans un autre item, donc le DIF doit être résolu par étapes avec purification des items plutôt que lu à partir d'une seule analyse simultanée [@andrichRealArtificialDifferential2012; @andrichRealArtificialDifferential2015; @hagquistExplainingDifferentialItem2019]. Henninger et al. [-@henningerPartialCreditTrees2025] donnent un traitement clair de la purification. Elle est implémentée dans RMdifTree() dans easyRasch2 et son module jamovi.
  • Demandez quelle ancre a lié les échelles des groupes avant de lire le DIF. Sans ancre, le test est circulaire.

4. Monotonie

  • Vérifiez la monotonie avec les tests de Mokken pour les items polytomiques [@molenaarNonparametricModels1997; @sijtsmaIntroductionNonparametricItem2023]. L'hypothèse est que la probabilité d'approuver une catégorie plus élevée augmente avec le trait latent. Un échec peut indiquer un désordre des seuils, un mauvais ciblage des catégories ou un fonctionnement de l'item différent de celui attendu.
  • En auto-examen, examinez les courbes caractéristiques des items pour les catégories afin de détecter des inversions de seuils ou des catégories avec des probabilités très faibles pour tous les niveaux de trait.

Vérifications supplémentaires en auto-examen

Ces vérifications ne sont possibles que lorsque le code source et les données sont disponibles. Effectuez-les en premier.

  • Chiffres par rapport à la sortie. Pour chaque résultat numérique rapporté (moyenne, écart-type, pourcentage de variance, valeur d'indice d'ajustement), exécutez le code ou vérifiez la sortie et confirmez qu'il correspond. Signalez les écarts même s'ils sont petits, car ils indiquent un flux de travail non versionné ou une copie de valeurs obsolètes.
  • Code par rapport au texte. Vérifiez que les noms des items, les étiquettes des options de réponse et les noms des groupes dans le code correspondent à ceux du texte du manuscrit. Vérifiez que les variables mentionnées dans les analyses correspondent aux noms de colonnes dans les scripts de nettoyage des données. Signalez les divergences.
  • Reproductibilité partielle. Exécutez tout bloc de code auto-contenu (par exemple simulation de seuils basés sur simulation, calcul de puissance) et confirmez que les résultats sont reproductibles.
  • Artefacts logiciels. Vérifiez les avertissements et les messages d'erreur dans les sorties logicielles. Un message d'avertissement concernant la singularité de la matrice d'information, la non-convergence ou une valeur propre négative doit être signalé dans le manuscrit.

Ajustement du modèle CFA, MGCFA et bifacteur

Cette section contient des outils spécifiques à l'ajustement CFA. Ne l'incluez que lorsque le manuscrit utilise CFA, MGCFA ou un modèle bifacteur.

  • Outils de seuils basés sur simulation. Les packages simsem et semTools fournissent des fonctions de bootstrap paramétrique. L'approche de Nye & Drasgow (2011; in simsem) génère des ensembles de données sous le modèle d'un facteur, les ré-ajuste dans le même modèle, et dérive des distributions nulles empiriques des indices d'ajustement. L'implémentation d'easyRasch2 CFAcutoff_wlsmv() (enveloppes pour simsem::simStandardizedDifference() et simsem::simBounds()) produit des plages de confiance de 90 % et 95 % pour CFI, TLI, RMSEA et SRMR conditionnellement au modèle, à l'estimateur et à l'échantillon.
  • Seuils généraux. Les seuils de Hu & Bentler (1999) n'ont pas plus de validité générale que les autres valeurs fixes. Remplacez-les par des plages basées sur simulation. Si l'article utilise des seuils fixes pour la modélisation d'équations structurelles (SEM), critiquez cette partie en citant [@goretzkoStopUsingFixed2026] et [@groskurthWhyWeNeed2024] (et l'éditorial de la revue qui interdit les seuils fixes).
  • Modèle bifacteur. Un facteur général fort est souvent un artefact de la dépendance locale non modélisée ou d'une saturation excessive sur un facteur latent. Avant d'interpréter les saturations bifacteur, vérifiez les résidus Q3 (voir les vérifications de dépendance locale) et excluez tout item qui montre une dépendance résiduelle > seuil. Un modèle bifacteur ajusté avec des saturations de facteur général > .80 sur tous les items est suspect s'il n'y a pas de données de test-retest ou d'administration distincte pour le séparer du langage commun.

Multi-facettes (MFRM)

Uniquement lorsque la conception comporte des évaluateurs (étalonnage, notation ou jugement multi-évaluateurs). Les éléments communs avec le Rasch unidimensionnel ne sont pas répétés.

  • Sévérité / clémence des évaluateurs. Vérifiez l'étendue des mesures de sévérité des évaluateurs et s'il y a des évaluateurs extrêmes qui sont déconnectés de l'échelle principale. Demandez un test de la mesure dans laquelle la sévérité des évaluateurs affecte le rang des candidats ou l'attribution de notes de passage ; un modèle à facettes peut attribuer un score corrigé, mais s'il est peu fiable pour les limites de sévérité, son utilité pour l'admission ou l'orientation est limitée.
  • Interaction évaluateur × candidat. Vérifiez les résidus d'interaction : une interaction significative peut indiquer un biais de notation (effet de halo, tendance centrale) et non seulement une variation aléatoire. Modélisez-la explicitement si elle est importante. Demandez un nombre minimum d'items sur-évalués par chaque évaluateur pour que les estimations des paramètres d'interaction soient stables.
  • Catégories des évaluateurs. Vérifiez que les évaluateurs utilisent les catégories comme prévu : pas de catégories vides, pas de « trous de catégories » (lacunes dans l'utilisation des catégories). Une analyse du fonctionnement catégoriel par évaluateur est informative, en particulier dans les conceptions de notation complexes.
  • Conception de liaison. Vérifiez que la conception de liaison (chaque paire de candidats ou de performances a-t-elle un évaluateur commun ?) est suffisamment connectée pour identifier les paramètres de sévérité des évaluateurs et les mesures des candidats. Un modèle à facettes avec une liaison insuffisante produit des estimations avec de grandes erreurs types.

Bibliothèque de référence

La bibliothèque de référence comprend plus de 100 articles sélectionnés sur la psychométrie, des méthodes basées sur simulation, la modélisation Rasch, l'AFC et les modèles à facettes. La plupart sont cités ci-dessus. Ne les incluez pas tous dans une section de références séparée de la note/examen à moins que l'utilisateur ne le demande. Citez-les directement dans le texte en utilisant la convention [@citation].

Modèles et décisions de formatage

Les modèles de sortie se trouvent dans templates/ : self-review.qmd, appraisal.qmd, referee-report.qmd. Ce sont des fichiers QMD (Quarto Markdown). Chaque modèle comporte des sections pour :

  • Un en-tête avec le mode et le modèle.
  • Une table des matières (générée automatiquement par Quarto).
  • Le corps principal organisé par les quatre critères et les préoccupations transversales.
  • Des listes de problèmes avec gravité, emplacement et (pour l'auto-examen) correction ; (pour l'évaluation) conséquence ; (pour le rapport de relecture) recommandation à l'éditeur.
  • Une section de notes sur les décisions et les incertitudes.

Ne modifiez pas le format QMD ; complétez les sections comme décrit ci-dessus. L'IA doit compléter les modèles dans la note/examen; l'utilisateur choisit ensuite le public cible et le format final.

Pour l'évaluation et le rapport de relecture, ne supposez pas la disponibilité du code ou des données. Indiquez quand un problème ne peut être résolu qu'avec un accès à ces éléments.

Gardez toute la correspondance privée ; les manuscrits en cours d'examen ou non publiés sont exclus de tout partage.

Skills associés