Juliette Chevallier
- Je co-organise le Séminaire de Statistique et Optimisation de l'IMT,
- Je co-dirige l'équipe-projet CIMI UNREAL,
- Je suis membre du comité égalité de l'IMT,
- Je suis élue au conseil scientifique de l'INSA Toulouse.
- Octobre 2024: Lancement de l'ANR SOS2ID.
- Juin 2024: 10èmes Journées Statistiques du Sud à Toulouse.
- Octobre 2023: Lancement de l'ANR OptiMoCSI.
Recherche
Thèmes de recherche
De manière générale, mes travaux de recherche visent à l’établissement de modèles mathématiques pour l’analyse de données médicales. Pour cela, mes efforts se découpent en plusieurs axes comme décrits ci-dessous.
Mots-clés :
- Données longitudinales,
- Applications médicales,
- Modèles nonlinéaires à effets mixtes, Analyse spatio-temporelle,
- Optimisation stochastique, Algorithmes de type EM,
- Méthodes MCMC,
- Estimation bayésienne
- Géométrie riemannienne appliquée,
- Données massives et hétérogènes,
- Auto-encodeurs variationnels,
- Estimation sous contrainte de confidentialité.
L’algorithme d’espérance-maximisation ou algorithme EM permet de maximiser la vraisemblance de modèles à données manquantes dans des cadres très généraux. Lorsque l'étape d'espérance ne peut être réalisée, on peut recourir à une approximation stochastique de l'algorithme EM (SAEM). La convergence du SAEM vers les points critiques de la vraisemblance observée a été prouvée et son efficacité numérique a été démontrée. Cependant, l’algorithme SAEM est très sensible à ses conditions initiales et, malgré la stochasticité de la procédure induite par l’approximation stochastique, peut rester piégé dans des maxima locaux. De plus, il suppose que l’on est à même de simuler la loi conditionnelle des variables latentes sachant les observations (avec la terminologie des modèles à variables latentes), éventuellement par une méthode de type MCMC, ce qui n’est pas toujours le cas.
Avec Stéphanie Allassonnière, nous avons proposé une nouvelle classe d’algorithmes SAEM : les algorithmes SAEM approchés, ou approximated-SAEM en anglais, dont nous avons démontré la convergence vers des maxima locaux sous des hypothèses standards. Cette classe repose sur la simulation par une loi approchée, en un sens à définir, de la vraie loi conditionnelle dans l’étape de simulation. En particulier, on englobe des algorithmes pré-existants tel que l’ABC-SAEM, dont l’efficacité numérique avait été établie mais dont la convergence théorique n’avait pas été démontrée, et le MCMC-SAEM.
En se basant sur des techniques de recuit simulé, nous avons également proposé une version tempérée de l’algorithme SAEM, le tempering-SAEM, afin de favoriser sa convergence vers des maxima globaux. Dans cette version, on approche la loi conditionnelle en la tempérant suivant un schéma de températures sinusoïdal amorti.
Pour plus de détails, voir CSDA 2021.
Les données massives et hétérogènes sont légions dans les applications médicales : compte-rendus textuels, données ohmiques, données d'imageries, etc. Un suivis médical efficace repose donc sur la capacité à traiter conjointement toutes ces données. Ceci suppose d'être, d'une part, à même d'encoder efficacement de telles données et, d'autre part, de pouvoir proposer des algorithmies adaptées à leur taille.
Sur la base de l'encodage cible ou target encoding, j'ai travaillé à développer une nouvelle technique d'encodage particulièrement adaptée aux données massives et hétérogènes. En partant d'un modèle hierarchique, l'idée est de proposer un encodage à même de capturer toute la complexité des données que l'on veut étudier.
Avec Pierre-Alexandre Mattei, Frédéric Precioso et Michel Riveill, j'ai travillé à l'élaboration de modèles génératifs profonds pour l'analyse de données massives, longitudinales et hétérogènes. Plus précisément, nous voulions déterminer une représentation adaptée des données recueillies dans le cadre du programme de médicalisation des systèmes d’information en soins de suite ou de réadaptation (PMSI-SSR). Une idée naturelle est de recourir à des auto-encodeurs variationnels.
Ces travaux n'on cependant pas donné lieu à publication.
SAEM : Évolution typique des paramètres au cours de l'estimation.
tempering-SAEM : Évolution typique des paramètres au cours de l'estimation.
Une part substantielle de mes recherches a consisté à développer de nouvelles méthodes pour l'analyse statistique de données longitudinales, et plus particulièrement pour l'analyse de données médicales.
En effet, par delà les études transversales, étudier l’évolution temporelle de phénomènes connait un intérêt croissant. Ceci s'explique simplement : pour comprendre un phénomène, il semble effectivement plus adapté de comparer l’évolution des marqueurs de celui-ci au cours du temps plutôt que ceux-ci à un stade donné. Le suivi de maladies neuro-dégénératives s’effectue par exemple par le suivi de scores cognitifs au cours du temps. C’est également le cas pour le suivi de chimiothérapie qui repose de plus en plus sur la compréhension de la progression globale de la maladie que sur que l’état de santé ponctuel des patients.
Avec Stéphanie Allassonnière, nous avons travaillé à l'élaboration d'un modèle non-linéaire à effets mixtes cohérent (consistant) pour l'analyse statistique de données longitudinales à valeurs sur des variétés riemanniennes. Ce modèle repose sur la discrimination de déformations dites temporelles et liées à l’acquisition des données et au rythme de progression du phénomène observé, de déformations dites spatiales, liées à la géométrie intrinsèque des formes observées. Cela nous a conduit à considérer des déformations spatio-temporelles.
Ce modèle a été conçu en collaboration avec Laure Fournier, radiologue à l'Hôpital européen Georges Pompidou, avec pour visée le suivis du cancer du rein métastatique.
Pour plus de détails, voir NeurIPS 2017 & SIIMS 2021.
Trajectoire représentative dans le modèle de forme géodésique par morceaux.
La géométrie riemannienne se révèle un outil particulièrement adapté à la modélisation mathématique des formes. En effet, plutôt que d’analyser les formes en elle-mêmes de manière individuelle, il semble plus efficient de considérer des ensembles ou populations de formes et d’essayer de les appréhender comme des espaces au sens mathématique du terme. De par leur construction, ces espaces vont hériter naturellement d’une structure de variété riemannienne. Ainsi, pour étudier rigoureusement les formes anatomiques, il convient de développer des modèles valides dans des espaces riemanniens.
Avec Joan Alexis Glaunès, nous avons travaillé à l'élaboration d'un modèle dit de pseudo-métamorphoses pour le recalage difféomorphique de courbes et de surfaces, via des mesures discrètes pondérées.
Avec Stéphanie Allassonnière, nous avons proposé un modèle pour le suivis de formes anatomiques exploitant fortement le caractère riemannien des espaces de forme. Les images ci-dessous sont un exemple du type de trajectoires que l'on peut obtenir dans de tels espaces.
Évolution de la forme représentative ⬥ Patients présentant une déficience cognitive légère et finalement diagnostiqués Alzheimer (MCIc).
Évolution de la forme représentative ⬥ Patients du groupe contrôle (CN).
Publications
Liste de mes publications disponibles sur HAL. Lien vers mon profil Google Scholar.
-
Minimax density estimation in the adversarial framework under local differential privacy.
Avec Mélisande Albert, Béatrice Laurent-Bonneau et Ousmane Sacko.
-
A coherent framework for learning spatiotemporal piecewise-geodesic trajectories from longitudinal manifold-valued data.
Avec Stéphanie Allassonnière et Vianney Debavelaere. SIAM Journal on Imaging Sciences 14(1), 2021.
-
A new class of stochastic EM algorithms. Escaping local maxima and handling intractable sampling.
Avec Stéphanie Allassonnière. Computational Statistics & Data Analysis 159, 2021
-
Pandemic Intensity Estimation from Stochastic Approximation-based Algorithms
CAMSAP: IEEE International Workshop on Computational Advances in Multi-Sensor Adaptive Processing, Los Sueños, Costa Rica, Décembre 2023.
Codes développés par Gersende Fort. Avec Patrice Abry, Gersende Fort et Barbara Pascal.
-
Analyse statistique de données anatomiques longitudinales de patients traités. Application au suivi de chimiothérapie.
JDS: 52èmes Journées de Statistiques de la Société Française de Statistique, Université Côte d'Azur, Nice, Mai 2020.
Avec Stéphanie Allassonnière.
-
Learning spatiotemporal piecewise-geodesic trajectories from longitudinal manifold-valued data.
NeurIPS: Advances in Neural Information Processing Systems 30, Long Beach, CA, USA, Décembre 2017.
Avec Stéphanie Allassonnière et Stéphane Oudard.
Travaux non-publiés
Thèse effectuée au Centre de Mathématiques Appliquées (CMAP, École polytechnique, Palaiseau) sous la direction de Stéphanie Allassonnière.
Modèles statistiques et algorithmes stochastiques pour l’analyse de données longitudinales à dynamiques multiples et à valeurs sur des variétés riemanniennes.
J'ai soutenu ma thèse le 26 septembre 2019 devant le jury composé de :
- Directrice de thèse : Stéphanie Allassonnière (Université de Paris),
- Rapporteurs : Jean-Michel Marin (Université de Montpellier)
& Stefan Sommer (Université de Copenhague), - Président du jury : Eric Moulines (École polytechnique),
- Examinateurs : Nicolas Vayatis (ENS Paris-Saclay)
& Christian Robert (Université Paris-Dauphine), - Invitée : Laure Fournier (Hôpital Européen Georges Pompidou).
Mon manuscrit est disponible ici et les slides de ma présentation là.
Travaux d'initiations à la recherche réalisés lors de ma scolarité à Orsay, tous compilés dans mon mémoire de magistère.
-
M2 ·
Modèle de pseudo métamorphoses pour le recalage difféomorphique de courbes et surfaces.
Encadré par Joan Alexis Glaunès, MAP5, Université de Paris.Mots-clés : géométrie différentielle, analyse fonctionnelle.
-
M2 · Espaces de formes et courbure.
Encadré par Joan Alexis Glaunès, MAP5, Université de Paris.
-
M1 · Représentations linéaires du groupe symétrique.
Encadré par Pierre-Guy Plamondon, LMV, Université de Versailles Saint-Quentin-en-Yvelines.
-
L3 ·
Modélisation mathématique d’une infection par le Virus de l'Immunodéficience Humaine (VIH).
Encadré par Hervé Le Meur, LAMFA, Université de Picardie Jules Verne, Amiens.
Communications
- Workshop « Analyse de données non structurées », Juillet 2022, Institut de Mathématiques de Toulouse ;
- Séminaire de Statistique et Optimisation, Mai 2022, Institut de Mathématiques de Toulouse ;
- Séminaire MIAT, Janvier 2022, INRAe Toulouse (à distance) ;
- Séminaire « Causalité & données manquantes », Juin 2021, Inria Montpellier (à distance) ;
- Séminaire de statistique, Avril 2021, Institut de Mathématiques de Marseille (à distance) ;
- Séminaire des jeunes mathématicien·ne·s, Juin 2020, Institut de Mathématiques d'Orsay (à distance) ;
- Séminaire Maasai, Mai 2020, Inria Sophia-Antipolis (à distance) ;
- Séminaire Explique-moi..., Janvier 2020, Institut de Mathématiques d'Orsay ;
- Séminaire « Images Optimisation et Probabilités », Mai 2019, Institut de Mathématiques de Bordeaux ;
- Séminaire « Signal et Apprentissage », Avril 2019, Institut de Mathématiques de Marseille ;
- Séminaire du CMLA, Avril 2019, ENS Paris-Saclay, Cachan ;
- Séminaire des doctorant·e·s du CMAP et du CMLS, Janvier 2019, École polytechnique, Palaiseau ;
- Machine Learning Journal Club, Mai 2018, École polytechnique, Palaiseau ;
- Session poster, Congrès NeurIPS, Décembre 2017, Long Beach, Etats-Unis. Poster ;
- Séminaire de rentrée, Master Mathématiques pour les Sciences du Vivant, Octobre 2016, Université Paris-Saclay, Orsay ;
- Congrès iGEM (International Genetically Engineered Machine), Octobre 2014, Boston, Etats-Unis.
- Géométrie et Statistiques dans les Sciences des Données, Octobre 2022, Trimestre thématique de l’Institut Henri Poincaré, Paris ;
- DLS · UCA Deep Learning Summer School, Juillet 2020, Université Côte d'Azur, Nice ;
- DS3 · Data Sciense Summer School, Juin 2018, École polytechnique, Palaiseau ;
- DS3 · Data Sciense Summer School, Septembre 2017, École polytechnique, Palaiseau ;
- Statistiques non-linéaires, Juin 2017, UCPH, Copenhague, Danemark.
Projets de recherche
Je suis membre des groupes de recherche suivant :
-
OptiMoCSI
·
Optimization and Monte Carlo Sampling Intertwined
Financé par l'Agence Nationale de la Recherche française, AAPG 2023. Débuté en octobre 2023, pour une durée de 42 mois.
-
Trustworthy AI
Groupe de travail autour de la chaire ANITI « Trust and Responsibility in Artificial Intelligence »
-
QUTHY
·
Quantification of Uncertainty in ThermalHYdraulics
Financé par le programme NEEDS · Nucléaire : Energie, Environnement, Déchets, Société · porté par le CNRS.
-
SOS2ID
·
Schémas d'Optimisation Stochastique - Dynamiques Inertielles et en Dimension Infinie
Financé par l'Agence Nationale de la Recherche française, AAPG 2024.
Autres activités
Enseignement
Les documents ci-dessous sont relatifs à mon enseignement courant à l'INSA de Toulouse. Les documents fournis en archives ne sont plus maintenus.
Supports de cours
- Moodle · I4MATCEMS11 · Élements de Modélisation Statistique.
- Polycopié · Tests non-paramétriques & Modèle linéaire (polycopié en anglais).
-
Slides (en anglais)
- Introduction à la modélisation statistique,
- Principe du modèle linéaire et premiers exemples,
- Estimation des paramètres,
- Test de Fisher-Snedecor,
- Régression linéaire,
- ANOVA · Analyse de la variance,
- ANCOVA · Analyse de la covariance,
- Plan fractionnaire,
- Plan pour surface de réponse,
- Modèles linéaires généralisés,
- Régression logistique et log-linéaire,
- Tests non paramétriques pour l'étude des phénomènes continus,
- Tests pour l'étude des phénomènes discrets : Tests du chi-deux.
- Moodle · I4MAOPAD21 · Analyse de données (en anglais).
- PLMlab · Travaux pratiques (en anglais).
-
Slides · Classification non supervisée (en anglais)
- Introduction à la classification non-supervisée,
- Un premier algorithme basé sur le partitionnement : L'algorithme k-means,
- Un algorithme basé sur la connectivité : La classification ascendante hiérarchique,
- Un second algorithme basé sur le partitionnement : Les modèles de mélange gaussien,
- Réduction de dimension par factorisation matricielle : La factorisation de matrices non-négatives.
- Moodle · I5MMSP22 · Apprentissage profond et en grande dimension (en anglais).
- PLMlab · Travaux pratiques (en anglais).
- Moodle · N0EAN01 · Apprentissage profond ;
- GitHub · Travaux pratiques.
Archives
-
Slides · Séries temportelles (en anglais)
- Introduction aux séries temporelles ;
- Introduction aux modèles à effets mixtes ;
- Prévision de séries temporelles par apprentissage profond.
-
Travaux pratiques · Séries temportelles (en anglais)
- Six méthodes pour la prévision de séries temporelles · Jupyter notebook, données d'entrainement, données test,
- Un exemple de cas : Temps de rebond d'un site web · Jupyter notebook, jeu de données,
- Étude d'un modèle à effets mixtes réaliste · Énoncé du TP,
- Prévision de séries temporelles par apprentissage profond · Jupyter notebook, jeu de données,
- Prévision de séries temporelles à l'aide d'un réseau LSTM · Jupyter notebook, données d'entrainement, données test.
Responsabilités collectives
Responsabilités administratives
- Depuis 2023 : Membre du Comité Égalité de l'Institut de Mathématiques de Toulouse ;
- Depuis 2022 : Membre élue du Conseil Scientifique de l’INSA Toulouse.
Responsabilités scientifiques
- Depuis 2022 : Co-organisatrice du séminaire de Statistique et Optimisation de l'Institut de Mathématiques de Toulouse ;
- Depuis 2022 : Co-responsable de l'équipe projet UNREAL (« Unstructured Data Analysis » ), LabEx CIMI ;
- 2018 · 2019 : Co-organisatrice du séminaire des doctorant·e·s du CMAP et du CMLS , École polytechnique, Palaiseau ;
- 2018 : Organisatrice de la journée des doctorant·e·s de 2ème année, École polytechnique, Palaiseau.
- Depuis 2022 : Correspondante locale des Journées Statiques du Sud, pour l'Institut de Mathématiques de Toulouse.
Responsabilités pédagogiques
- Depuis 2024 : Membre du Conseil de Département du département Génie Mathématique et Modélisation (GMM) de l'INSA Toulouse.
Diffusion scientifique
Mentor au sein du réseau Mentor’IA porté par la commission mixité d’ANITI (Artificial and Natural Intelligence Toulouse Institute). Programme à déstination d'étudiantes de la licence au master leur proposant un accompagnement personnalisé afin de faciliter leur insertion dans les parcours et métiers de l’IA, .
Participation à l'édition régionale, Université Paris-Saclay, du concours MT-180.
Participation au lancement de l'opération « Votre région fait des maths » portée par la Fondation Mathématiques Jacques Hadamard et visant à promouvoir les initiatives de diffusions des mathématiques en région île de France sud auprès du grand public et des scolaires.
Trésorière de l'association PiDay et co-organisatrice de La tournée de π 2017, un spéctacle musical mathématique. La tournée 2017 est passée par les villes de Paris, Lyon et Marseille.
L’association a reçu en 2016 le Prix d’Alembert de la Société de Mathématiques de France, récompensant les initiatives de diffusion mathématique auprès du grand public.
« Speed-meetings » mathématiques entre des doctorant·e·s et le grand public organisés par la Fondation Sciences Mathématiques de Paris à l'Institut Henri Poincaré, dans le cadre de la Fête de la science 2017.
Curriculum Vitae
Mon CV détaillé en pdf : version française et anglaise.
Situation actuelle
Équipe Statistique et Optimisation, Institut de Mathématiques de Toulouse.
Département Génie Mathématiques et Modélisation, INSA Toulouse.
Département Génie Mathématiques et Modélisation · Bâtiment GMM, Bureau 122
Institut de Mathématiques de Toulouse · Bâtiment 1R1, Bureau 103
INSA Toulouse · 135 avenue de Rangueil · 31077 Toulouse Cedex 04
Expériences passées
Avec Pierre-Alexandre Mattei, Frédéric Precioso et Michel Riveill.
Équipe Maasai « Models and Algorithms for Artificial Intelligence », Inria Sophia Antipolis.
Laboratoire J.A. Dieudonné, Université Côte d'Azur, Nice.
Sous la direction de Stéphanie Allassonnière, École polytechnique, Palaiseau.
Centre de Mathématiques Appliquées, École polytechnique, Palaiseau.
Formation universitaire
Section 26 · Mathématiques appliquées
Sous la direction de Stéphanie Allassonnière, École polytechnique, Palaiseau.
Sujet : Modèles statistiques et algorithmes stochastiques pour l’analyse de données longitudinales à dynamiques multiples et à valeurs sur des variétés riemanniennes.
Mots-clés : Géométrie riemannienne, Données longitudinales, Optimisation stochastique, Modèles non-linéaires à effets-mixtes, Algorithmes de type EM, Analyse spatio-temporelle, Estimation bayésienne.
J'ai soutenu ma thèse le 26 septembre 2019 devant le jury composé de :
- Directrice de thèse : Stéphanie Allassonnière (Université de Paris),
- Rapporteurs : Jean-Michel Marin (Université de Montpellier) & Stefan Sommer (Université de Copenhague),
- Président du jury : Eric Moulines (École polytechnique),
- Examinateurs : Nicolas Vayatis (ENS Paris-Saclay) & Christian Robert (Université Paris-Dauphine),
- Invitée : Laure Fournier (Hôpital Européen Georges Pompidou).
Mon manuscrit de thèse est disponible ici et les slides de ma présentation là.
Licence Mathématiques Fondamentales et Appliquées, Université Paris-Sud, Orsay ;
Master Mathématiques pour les Sciences du Vivant, Mention Très bien, Université Paris-Saclay, Orsay.
Mon mémoire de magistère est disponible ici.
Option Calcul Scientifique ; Master Formation des Professeurs Agrégés de Mathématiques.
iGEM :
Compétition internationale ingénierie génétique organisée par le MIT ;
Obtention de la médaille d’or pour l’équipe Paris-Saclay.
Lycée Pierre Corneille, Rouen. Filière MP, Option informatique.
Expérience d'enseignement
Spéciatlité Mathématiques Appliquées du cycle ingénieur, 4ème année, INSA Toulouse.
Spéciatlité Mathématiques Appliquées du cycle ingénieur, 4ème année, INSA Toulouse.
Cours magistraux, travaux dirigés et travaux pratiques. Responsable du cours. Cf 4MA-EMS.
Spéciatlité Mathématiques Appliquées du cycle ingénieur, 5ème année, INSA Toulouse.
Cours magistraux et travaux pratiques associés. Cf 5MA-HDDL.
Formation par apprentissage ModIA « Modélisation et Intelligence Artificielle », 5ème année, ENSEEIHT & INSA Toulouse.
Cours magistraux et travaux pratiques associés. Cf 5ModIA-HDDL.
Master Science des données et Intelligence artificielle, Université Côte d'Azur.
Cours magistraux et travaux pratiques associés. Cf M2 DSAI.
Master Mathématiques Vision Apprentissage, École Normale Supérieure Paris-Saclay.
Prof. Stéphanie Allassonnière.
MSc Data Science for Business, HEC Paris et École polytechnique.
Prof. Flore Nabet.
Ingénieurs polytechniciens, 1ère année, Tronc commun, École polytechnique.
Prof. Sylvie Méléard et Josselin Garnier.
Lycée Turgot, Paris 3ème.
Lycée Lakanal, Bourg-la-Reine.
Divers
- Je suis originaire de Rouen, en Normandie, mais j'ai passé le plus clair de mon enfance sur la plage de Dieppe et ses célèbres « baraques à frites ».
- Je suis en collocation avec le plus beau (et le plus ingrat) chat du monde, en toute objectivité.
- Je pratique le self-défense (du moins pratiquais avant la crise sanitaire de 2020) à l'académie des arts de combat (ADAC) où j'ai obtenu le grade « confirmé » en amazon training, méthode de self-défense spécialement élaborée pour les femmes. Si vous êtes une femme et que vous habitez près d'un centre affilié, venez !
- Je pratique également la course à pieds et la randonnée (j'ai même survécu au GR20 !). Mon rêve : réaliser le GR 22, du parvis de Notre-Dame de Paris au Mont-Saint-Michel...
La place des femmes dans les sciences mathématiques est un sujet qui m’intéresse (et m'impacte) tout particulièrement. Je suis moi-même investie dans la promotion des STEM (science, technologie, ingénierie et mathématiques) auprès des jeunes-filles. Ci-dessous, quelques ressources en lien :
- L'association femmes & mathématiques propose sur son site internet des statistiques détaillées concernant le taux de féminisation de l'enseignement supérieur et la recherche en France. De plus, de nombreux articles de blogs dressent un portrait de la situation actuelle, proposent des ressources, etc. Une bonne porte d'entrée en somme !
- Le site de l'European Women in Mathematics, pendant international de femmes & mathématiques. On trouve notamment sur le site de l'association plusieurs portraits de mathématiciennes ainsi que des statistiques concernant la place des femmes dans l’enseignement supérieur et la recherche en Europe.
- Le site « Gender Gap in Science » qui propose des outils (en anglais) permettant d'une part de mettre en avant l'existence d'un plafond de verre que ce soit dans le domaine des sciences mathématiques, de l'informatique ou des sciences naturelles et de le contrer d'autre part.
- Conférence d'Isabelle Régner « L’influence des stéréotypes de genre sur les performances et les auto-évaluations en mathématiques chez les enfants » donnée dans le cadre du Grand Forum des Mathématiques Vivantes 2021.
- Manifeste rédigé par Colette Guillopé et Eliane Viennot en février 2020 pour la fin des diplômes au masculin.
- Épisode du podcast « Les couilles sur la table » réalisé par Victoire Tuaillon intitulé « Des ordis, des souris et des hommes » et traitant de la masculinisation des métiers de l'informatique.
- De nombreux articles sur le portail CAIRN.
Katherine Johnson, Dorothy Vaughan et Mary Jackson, calculatrices afro-américaines ayant contribué aux programmes aéronautiques et spatiaux de la NASA.
- Phénomène mis en avant par Margaret W. Rossiter, historienne des sciences, dans les années 90 et désignant le déni ou la minimisation récurrente et systémique de la contribution des femmes scientifiques à la recherche, dont le travail est souvent attribué à leurs collègues masculins. La page Wikipedia de l'effet Matilda recense en particulier plusieurs cas d'effet Matilda pour le XXème siècle.
- L'article original de Margaret Rossiter, ainsi que sa traduction en français par Irène Jami.
- La vidéo youtube réalisée par Mathador à ce sujet : « Les femmes dans l'histoire des sciences : L'effet Matilda »
Contact
Institut de Mathématiques de Toulouse
INSA Toulouse
Bureau GMM-122
135, Avenue de Rangueil
31077 Toulouse Cedex 4
juliette.chevallier (@) insa-toulouse.fr
Google Scholar
HAL open archive
