Chaque parcours d'analyse de données connaît ce moment gênant. Votre jeu de données est ouvert. Vous comprenez plus ou moins le problème. Et puis… plus rien. Non pas que les statistiques soient trop complexes, mais parce que les étapes entre « j'ai des données » et « je fais l'analyse » semblent inutilement compliquées. Quel menu choisir ? Où placer quelles variables ? Comment s'appelle cette analyse, au juste ?
JMP Assistant ne résout pas ce dilemme en pensant à la place de l'étudiant. Il le résout en accélérant suffisamment l'exécution pour que nous puissions consacrer le temps de classe à ce qui compte vraiment : comprendre la signification du résultat, vérifier s'il répond à la bonne question et déterminer les prochaines étapes.
Deux outils, une distinction claire
Avant d'aller plus loin, il convient de préciser en quoi Assistant diffère de LearnBot, que nous avons présenté dans l'épisode 2. La distinction est simple et importante :
- LearnBot [4] est un tuteur pour JMP et les statistiques en général. Il répond aux questions courantes (« Que signifie VIF ? », « Quelle analyse dois-je utiliser ? ») en langage clair. Il s'agit d'une interface textuelle accessible via le menu Aide. Il n'interagit pas avec vos données et n'exécute aucune opération dans JMP.
- Assistant [3] se distingue fondamentalement par son approche proactive . Il reconnaît vos jeux de données et analyses ouverts, comprend votre question dans son contexte, génère en arrière-plan le code JSL (JMP Scripting Language) et exécute l'analyse directement dans JMP, produisant ainsi un résultat concret que vous pouvez examiner, modifier et enrichir. LearnBot vous guide pas à pas. Assistant, lui, agit avec vous.
Que fait un assistant ?: pas de mystère
L'Assistant [3] est disponible gratuitement sur la Marketplace de JMP. Une fois installé, il apparaît dans la section Modules complémentaires du menu JMP. Le flux de travail de base en mode Exécuter, qui est le mode par défaut, est simple :
- Ouvrez votre tableau de données dans JMP Student Edition et lancez l'Assistant.
- Dans le panneau contextuel de la fenêtre , sélectionnez l'ensemble de données et les analyses ouvertes avec lesquelles vous souhaitez travailler.
- Saisissez votre question analytique en langage clair, ou choisissez parmi les points de départ suggérés.
- Cliquez sur Envoyer . L'assistant génère le code JSL, l'exécute immédiatement et renvoie les résultats accompagnés d'une explication des opérations effectuées, des éléments à rechercher dans la sortie et des suggestions pour les prochaines étapes.
L'Assistant conserve l'historique de vos conversations analytiques. Les conversations précédentes sont accessibles depuis le panneau de gauche ; toutefois, pour rouvrir une ancienne conversation, il peut être nécessaire d'ouvrir les fenêtres JMP correspondantes afin de retrouver tout son contexte.
Pour toute question d'interprétation concernant les résultats déjà générés, passez en mode « Poser une question » . Ce mode n'exécute pas de nouveau code ; il répond à votre description, en connaissant le contexte d'analyse actuel. Les deux modes sont accessibles depuis la même fenêtre, sélectionnée avant de cliquer sur « Envoyer ».
Personnelzvivre l'expérience
Les paramètres de l'Assistant permettent aux utilisateurs de configurer leur rôle (ingénieur ou scientifique), leur domaine d'expertise (parmi une longue liste couvrant l'aérospatiale, le biomédical, la chimie, l'environnement et bien d'autres) et leur niveau d'expérience JMP (de 1 à 5). Ces paramètres déterminent la manière dont l'Assistant formule ses réponses : le langage, les exemples et le niveau de détail.
Pour l'enseignement, ces options sont importantes. Un professeur peut demander aux étudiants de choisir leur branche en fonction du contexte du cours et de leur niveau d'expérience, en toute honnêteté. Un étudiant de niveau 1 et un chercheur de niveau 5 donneront des réponses différentes à une même question. Cette différence mérite d'être discutée en classe.
Ce que cela donne en pratique
L'exemple suivant utilise l'ensemble de données Palmer Penguins, une ressource pédagogique bien connue disponible via JMP, pour montrer à quoi ressemble un véritable flux de travail Assistant, de la question à la réponse.
Une étudiante souhaite explorer la relation entre les dimensions du bec chez les différentes espèces de manchots. Elle tape donc : « Existe-t-il une relation entre la longueur et la profondeur du culmen pour chaque espèce de manchot ? Je préférerais un graphique unique présentant toutes les espèces ensemble. »
Step 1: Assistant recognizes the open data set and open analyses; it explains its analytical approach before running anything.Étape 1 : L’assistant reconnaît l’ensemble de données ouvert et les analyses ouvertes ; il explique son approche analytique avant toute exécution.
L'assistant commence par proposer une approche, expliquant que Graph Builder est la plateforme idéale pour un nuage de points superposé représentant plusieurs espèces. Il signale également le risque de paradoxe de Simpson : une tendance négative globale peut masquer des tendances positives au sein d'une même espèce. L'étudiant prend connaissance du raisonnement avant d'obtenir le résultat.
Puis l'analyse commence. Le nuage de points apparaît dans JMP Student Edition avec les droites de régression et les intervalles de confiance par espèce.
Step 2: Assistant executes the analysis in JMP: Graph Builder output with species-colored scatter plot and JSL code available for inspection.Étape 2 : L’assistant exécute l’analyse dans JMP : le générateur de graphiques fournit un nuage de points coloré par espèce et le code JSL est disponible pour inspection.
Le code JSL qui a produit le graphique est visible et inspectable, ce qui peut être un détail pour la plupart des étudiants débutants, mais une véritable ressource d'apprentissage pour les cours plus avancés.
Dans chaque réponse en mode Exécution, l'Assistant génère systématiquement deux sections de suivi structurées : Que rechercher dans les résultats JMP ? et Quelles analyses exécuter ensuite ? Chacune est concrète, numérotée et formulée comme une suggestion pour les prochaines étapes.
Step 3: Suggested next steps keep the analytical conversation moving and update as the Window Context changes.Étape 3 : Les prochaines étapes suggérées permettent de poursuivre la discussion analytique et de la mettre à jour en fonction de l’évolution du contexte de la fenêtre.
Plus besoin de chercher dans les menus. Plus besoin de changer d'onglet. Juste une question, une analyse et une voie claire à suivre.
La question est celle de la compétence
Voici ce qui devient très vite évident lorsque les étudiants utilisent Assistant : la qualité du résultat dépend entièrement de la qualité des données d’entrée. Formuler une question analytique précise et pertinente n’est plus une étape préliminaire ; c’est la compétence fondamentale.
Comparez ces deux invites :
- ✘ « Analyser mes données sur les pingouins » produit des résultats vagues et des informations limitées.
- ✔ « Existe-t-il une relation entre la longueur et la profondeur du culmen pour chaque espèce de manchot, représentée dans un seul graphique ? » produit exactement l'analyse affichée dans la capture d'écran ci-dessus.
La deuxième consigne est celle que l'étudiant a saisie à l'étape 1. Un étudiant qui ne parvient pas à la formuler n'a pas encore compris le problème, et aucun outil d'IA ne la formulera à sa place.
| « Une bonne analyse commence par une bonne question. »Aucun outil d'IA ne vous le demandera. |
Un important rappel à la réalité
JMP Assistant n'est pas un expert en science des données. Il ne comprend pas votre contexte de recherche. Il traduit votre question en une analyse, rien de plus. Si votre question est mal formulée, la réponse le sera également. Considérez-la comme un point de départ, et non comme une conclusion. L'avertissement relatif au contenu généré par l'IA, visible dans chaque session Assistant, rappelle que le jugement de l'étudiant demeure l'étape finale de tout processus analytique.
Ce que cela signifie pour les enseignants
Le principal avantage est un gain de temps. Les étudiants ne passent plus 20 minutes à chercher le bon menu. Puisqu'ils peuvent commencer l'analyse en quelques secondes, ils disposent de plus de temps pour se concentrer sur l'essentiel : comprendre les résultats.
Lorsque les étudiants arrivent en cours avec des analyses déjà effectuées, la discussion passe de « Comment procéder ? » à « Avons-nous posé la bonne question ? » Que signifient réellement ces résultats ? Une approche différente modifierait-elle la conclusion ?
L'épisode 4 aborde l'autre aspect de cette question : les risques réels que l'IA en classe engendre et ce que les enseignants peuvent faire pour mettre en place des garde-fous qui préservent le raisonnement.
Essayez ceci
Installez gratuitement JMP Assistant [3] depuis la JMP Marketplace. Ouvrez un jeu de données que vous utilisez déjà dans votre cours. Posez à l'Assistant la question qui pose le plus souvent problème à vos étudiants. Ensuite, au lieu de vous concentrer sur la réponse, demandez-vous : comment pourrais-je transformer ce résultat en une discussion ? C'est en changeant de perspective que la valeur pédagogique de l'outil devient évidente.
Références
[1] Programme académique JMP , jmp.com/academic
[2] Édition étudiante JMP , jmp.com/student
[3] Assistant JMP (Place de marché JMP) , marketplace.jmp.com
[4]LearnBot (Place de marché JMP) , marketplace.jmp.com
[5] Comment l'interface visuelle de JMP est renforcée par des flux de travail analytiques basés sur le langage naturel , D. Valente, Blog de la communauté JMP
[6]Révision du rapport du GAISE College (en cours, 2025)
À propos de l'auteur
Volker Kraft est ambassadeur académique principal (EMEA) chez JMP Statistical Discovery (une société SAS), au sein de l'équipe académique mondiale de JMP. Depuis 2011, il accompagne les universités européennes dans l'intégration de JMP à leurs activités d'enseignement et de recherche. Spécialisé dans la recherche en technologies vocales, il a longtemps dû concilier rigueur statistique et pragmatisme technique, bien avant que l'intelligence artificielle ne devienne un terme courant. Vous pouvez le contacter via la communauté JMP ou sur LinkedIn .
Épisode 3 sur 5 • Prochain épisode : Enseigner de manière responsable avec l’IA:risques, garde-fous et ce que j'ai appris à la dure
