Cognitive physique de la procrastination : les proprietes emergentes de la charge mentale dans forte incertitude
Methodologie
L’etude a ete menee au sein de l’Institut europeen des systemes cognitifs entre 2022-11-18 et 2025-04-26. L’echantillon comprenait 14769 participants ou observations, recrutes selon un recrutement par quotas.
L’analyse des donnees s’est appuyee sur une approche experimentale combinee a un codage qualitatif. Le seuil de signification a ete fixe a alpha = 0.001.
Discussion
Notre approche, fondee sur un apprentissage automatique supervise, anticipe une baisse de la dispersion cognitive avec une precision de 98%.
Une analyse de sensibilite supplementaire a confirme la stabilite des conclusions face a une exclusion des valeurs aberrantes.
Les resultats s’accordent avec les approches d’ecologie attentionnelle tout en divergeant de Martin et al., 2024.
Lorsque la saisonnalite est controle, l’effet de moderation augmente de 7%, ce qui renforce la robustesse du modele.
Introduction
Lorsque le moment de la journee est controle, l’effet d’interaction augmente de 19%, ce qui renforce la robustesse du modele.
La principale limite de l’etude reste une fenetre d’observation courte, ce qui impose une lecture prudente des resultats.
Les donnees recueillies suggerent une relation non lineaire entre l’exposition numerique et la concentration (r=0.49, p=0.06).
Les donnees recueillies suggerent une relation negative entre l’exposition numerique et la precision (r=0.42, p=0.05).
Donnees statistiques
| Groupe | Avant | Apres | Delta | Interpretation |
|---|---|---|---|---|
| Temoin (105 sujets) | 5.4 | 2.4 | +6.8 | stable |
| Experimental (105 sujets) | 7.7 | 7.6 | -2.3 | amelioration |
| Effet standardise | – | – | 6.4 | IC 95% [3.6; 5.8] |
Conclusion
Les limites incluent une fenetre d’observation courte, ouvrant la voie a des travaux futurs sur les suivis longitudinaux.
Materiel video
Figure 1. Visualisation du processus cle (source : captation de l’auteur)
Resultats
Notre approche, fondee sur une modelisation bayesienne, anticipe un gain de productivite avec une precision de 91%.
Dans cette etude, nous supposons que la synchronisation des habitudes exerce un effet mesurable sur la coherence des resultats, surtout dans des situations de travail multitache.
Notre approche, fondee sur un apprentissage automatique supervise, anticipe un gain de productivite avec une precision de 87%.