[SFdS] Revue de Modulad : appel à contributions pour un numéro spécial « Apprentissage et Sémantique »

Suite à l’organisation d’une Action nationale de formation (http://devlog.cnrs.fr/apsem2018) sous l’égide du réseau de Développement logiciel (Devlog) du CNRS avec l’appui du dispositif d’ingénierie numérique de l’Inra (https://www.ingenum.inra.fr) consacrée à l’apprentissage et à la sémantique des données (ApSem), la rédaction de la Revue de Modulad appelle aux contributions dans le champ de l’apprentissage et de la sémantique pour l’étude des systèmes complexes.

Si la science des données se définit comme celle de l'extraction d’informations intelligibles et de connaissances à partir d'ensembles de données, cette discipline s'appuie à la fois sur des concepts mathématiques, des méthodologies statistiques et des outils informatiques(1). Héritiers de sciences basées essentiellement sur le recueil de données expérimentales, nous assistons désormais à l’émergence de sciences basées sur les possibilités d’exploration et de simulation offertes par les données massivement observées(2). Aussi, sommes-nous confrontés à un changement de paradigme suscité par l’afflux de données issues de réseaux de capteurs ou d’objets connectés et par la disponibilité de moyens de calcul toujours plus puissants avec un essor notable du parallélisme et des architectures vectorielles. L’émergence d’e-infrastructures numériques offre l’intermédiation de services rendant opérationnel l’accès à ces nouvelles ressources. D’ores et déjà, les nouvelles possibilités de « fouille des données » permettent d’envisager des changements d’échelle dans l’étude des systèmes complexes.

L’objectif de ce numéro spécial est de faire le point sur l’apport croisé des méthodologies de l’apprentissage et des technologies du web sémantique :
1> l’apport des concepts, méthodes et outils de l’apprentissage pour tirer parti des représentations sémantiques des données
2> l’apport des concepts, méthodes et outils des mécanismes inférentiels pour générer de nouvelles représentations des connaissances.

Dans le prolongement du programme du séminaire ApSem, les contributions se répartiront selon les quatre thématiques suivantes :
i) Apprentissage par les données et science des systèmes complexes ;
ii) Ingénierie des connaissances et infrastructure web des données ;
iii) Modalités de convergence entre apprentissage automatique et sémantique des données ;
iv) Ateliers logiciels, études de cas et retours d’expérience.

Dans un contexte de science ouverte, nous encourageons les contributions originales et inédites en langue anglaise ou française privilégiant la reproductibilité des résultats présentés, si possible par la publication conjointe d’un extrait des données et d’une implantation des algorithmes, dans la continuité de la ligne éditoriale de la Revue de Modulad. Les textes déjà publiés en version courte (e.g., actes de conférence) peuvent être soumis à la Revue de Modulad pour publication.

Ces contributions anonymisables (noms, affiliations et adresses des auteurs figurant sur la page de garde) devront être soumises conjointement aux éditeurs de ce numéro spécial (christophe.biernacki@inria.fr ; pascal.dayre@enseeiht.fr ; dominique.desbois@inra.fr) en indiquant un auteur correspondant unique, pour être transmises à trois relecteurs indépendants aux fins d’évaluation par les pairs.

Les contributions ne pourront excéder 15 000 mots en respectant la charte éditoriale de la Revue de Modulad (http://modulad.fr/index_soumission.htm) et seront reçues jusqu’au 15 octobre 2019.


(1) Abiteboul, S. Sciences des données : de la logique du premier ordre à la Toile : Leçon inaugurale prononcée le 8 mars 2012. Chaire d’Informatique et sciences numériques, Collège de France : http://books.openedition.org/cdf/529 ; ISBN : 9782722601710. DOI : 10.4000/books.cdf.529.
(2) Cleveland, W. « Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics », International Statistical Review / Revue internationale de statistique, vol. 69,‎ 2001, pp. 21-26.
SFdS - Société Française de Statistique
©2019 SFdS