Journée "Reproductibilité en sciences"

jeudi 11 juin 2026, 14:00 → 17:00 Europe/Paris

Campus La Doua

Journée reproductibilité en Sciences 

Campus LyonTech-La-Doua

Bâtiment Nautibus, RDC, Salle C006

 

Cette seconde journée "Reproductibilité en Sciences" est organisée dans le cadre du projet  SFRI Graduate+ porté par l'université Claude Bernard  Lyon 1. 

 

L’objectif de cette journée est double : confronter les regards et pratiques des disciplines sur le sujet de la reproductibilité en sciences afin de développer une réflexion interdisciplinaire sur le sens et les limites de ce concept, ainsi que sur les éléments communs ou au contraire distants selon les disciplines.

 

La reproductibilité :

La reproductibilité peut être définie comme une démarche allant de la reproduction des résultats (sur la base des mêmes données, du même code et de la même méthodologie) à la réplication (c'est-à-dire la reconstitution/répétition des résultats en utilisant la même méthode analytique, mais avec des ensembles de données différents). 

 

La reproductibilité repose sur la disponibilité des données et des méthodes de l'étude originale. En général, la reproductibilité vise à confirmer des résultats de recherche (avec certaines variations éventuelles) dans un cadre similaire.

 

Reproductibilité en recherche :

• Reproductibilité comme une opportunité pour une recherche de meilleure qualité.
• Les chercheurs sont les premiers concernés par la reproductibilité
• Outre le rôle crucial des chercheurs eux-mêmes, les revues et les financeurs de la recherche disposent des outils (politiques) adéquats pour faciliter et encourager les pratiques liées à la reproductibilité. Il peut s'agir, par exemple, de politiques de partage des données ou d'autres pratiques liées à la reproductibilité comme condition de publication dans les revues, ou encore de mesures permettant et encourageant les méthodes les plus rigoureuses et les plus transparentes de la part des financeurs. 
• Les instances d’évaluation de la recherche et des activités des chercheurs commencent à prendre en compte le critère de reproductibilité des recherches

 

Obstacles à la reproductibilité

• Pression exercée pour publier en vue de l'avancement de la carrière et du manque de reconnaissance générale accordée aux pratiques de recherche qui favorisent la reproductibilité. 
• L'aspect chronophage de la mise en œuvre de la reproductibilité et de ses pratiques ainsi que le manque de formation pour apprendre à mettre en œuvre ces pratiques.
• Le temps et les efforts considérables nécessaires pour rendre la recherche reproductible (c'est-à-dire décrire, partager, préserver les données et les méthodologies, etc.) constituent un autre obstacle majeur.
• Les coûts liés à la reproductibilité.
• …

 

 

composantes-science-ouverte.png

logo_SFRI.png

logos_secondaires.png

1 Replicabilité des résultats en informatique graphique

La question de la reproductibilité et de la replicabilité des résultats traverse de nombreuses disciplines scientifiques. Il y a quelques années, la communauté de l’informatique graphique a d’abord cherché à dresser un état des lieux de ces enjeux dans son domaine. En parallèle, elle a donné naissance à une initiative internationale, le Graphics Replicability Stamp Initiative (GRSI), qui rassemble chercheurs et éditeurs autour de ces problématiques. Lors de cette présentation, je reviendrai sur ces deux aspects, en illustrant les actions collectives mises en place pour promouvoir la reproductibilité des travaux de recherche, dans ce cas spécifique de l’informatique graphique.

Orateur: Dr David Coeurjolly (LIRIS CNRS)

2 Analyse chimique : quand la reproductibilité masque parfois le manque de justesse

En analyse chimique comme dans d’autres domaines scientifiques, reproduire un résultat ne garantit pas nécessairement sa validité. Cette intervention proposera de distinguer clairement les notions de justesse, fidélité, exactitude et reproductibilité à travers des exemples concrets issus de la chimie analytique. L’objectif sera de replacer la qualité métrologique et l’évaluation de l’incertitude au centre des pratiques afin de renforcer la confiance dans les données scientifiques produites.

Orateur: Prof. Jérôme RANDON (LSA UCBL1)

3 What Reproducibility Teaches Us About Trust in Computer Science - Recipes for Reproducible Science and the Art of Scientific Time Travel

Karl Popper, one of the greatest philosophers of science of the 20th century, if not the greatest, frequently reminded us that works that cannot be reproduced are of no significance to Science.
Anyone wishing to produce high-quality scientific work must ensure the numerical reproducibility of his computer science results (when it applies). For program development and debugging, we need repeatable programs (giving identical results from run to run) within the same context (hardware & software). Once the debugging is achieved by an initial team, and when results are significant enough to be published, if another team tries the same approach described in a published paper, they need to obtain the same trends & scientific conclusions. However significant differences can be observed when using high performance computing and particularly with the results of parallel stochastic simulations or artificial intelligence applications, notably when practitioners are not aware of the best practices and of the pitfalls hidden in the software stacks. Indeed, software interfaces and application programmer’s interfaces can be misleading. Even for stochastic applications, given that pseudo-random number generators are deterministic, it is possible to produce, from run to run, the same numerical results for parallel stochastic simulations and artificial intelligence applications. Several application cases are presented. A rigorous method allows us to verify parallel results with their sequential counterparts before scaling up, thus strengthening confidence in scientific results.

Orateur: Prof. David Hill (LIMOS UCA)

4 Analyse donnée NGS en biologie avec un gestionnaire de pipeline

L'analyse de données de séquençage de nouvelle génération (NGS) nécessite de nombreuses étapes de traitement et d'analyse des données. Les biologistes qui analysent ces données (bio-informaticiens) utilisent des gestionnaires de pipelines pour favoriser la reproductibilité de ces analyses. Nous parlerons de la solution Nextflow utilisée sur HPC en utilisant des containers.

Orateur: Dr Laurent Modolo (LBMC UCBL1)