Flux RSS

Flux RSS

Accueil
Accueil   >   Membres   >   Post-doctorants

BOELAERT Julien

Chercheur post-doctorant

Laboratoire SAGE (UMR-CNRS- 7363)
Faculté des sciences sociales - Université de Strasbourg
F-67084 Strasbourg Cedex
boelaert@unistra.fr

Sujet de recherche

Sociologie politique des parlements et parlementaires (Parlement européen, Assemblée nationale).

Enjeux théoriques et méthodologiques des données numériques et de l'apprentissage statistique (machine learning) en sciences sociales.

Axes de recherche

Mots-clés: Parlement ; données numériques ; apprentissage statistique ; économétrie.


Choix de publications

J. Boelaert, É. Ollion (2018) « The great regression. Machine learning, econometrics, and the future of quantification », Revue Française de Sociologie, à paraître.

J. Boelaert, S. Michon, É. Ollion (2018) « Le temps des  élites. Ouverture politique et fermeture sociale à l'Assemblée en 2017 », Revue Française de Science Politique, à paraître.

W. Beauvallet, J. Boelaert, S. Michon (2018) « Qui contrôle le Parlement européen ? Contribution à une sociologie du pouvoir dans l’Union européenne. », in S. Michon (dir), Le Parlement au travail. Un espace européen de production parlementaire, Presses Universitaires de Rennes, pp. 49-63.

J. Boelaert, S. Michon et É. Ollion (2017) Métier : député. Enquête sur la professionnalisation de la politique en France, Raisons d'agir.

D. Lecomte, H. Bouvard, D. Perez et J. Boelaert (2017) « Le respect de la boutique – L’étiolement de la discipline partisane dans le groupe parlementaire socialiste sous la XIVème législature », Politix (117), vol. 1, pp. 171-199.

J. Boelaert, F. Gardes et S. Langlois (2017) « Convergence des consommations entre classes socioéconomiques et contraintes non monétaires au Canada. » Actualité Economique (93), vol. 4..

É. Ollion et J. Boelaert (2015) « Au‐delà des big data – Les sciences sociales et la multiplication des données numériques. » Sociologie (3), vol. 6, pp.295-310.

J. Boelaert, N. Mariot, J. Pagis et É. Ollion (2015) « Les aléas de l'interdisciplinarité – Genèses et l'espace des sciences sociales françaises (1990-2014). » Genèses (100-101), pp. 20-49.

J. Boelaert (2014) « Une seule fonction de demande ? Une enquête sur la stabilité des préférences par mélanges discrets de réseaux de neurones. » Revue Économique (65) pp. 515-535.


Choix de Communications (depuis 2015)

« Forests, neurons and logits: what to do with prediction models in the social sciences », présenté à la journée d'étude Sciences XXL, INED, Paris mars 2017 ; présentation invitée au séminaire de l'Institute for Analytical Sociology, Linköping Universitet (Suède) mars 2017 ; présentation invitée au séminaire de sociologie quantitative du CREST, Malakoff juin 2017 ; présenté au congrès de l'Association Française de Sociologie, Amiens juillet 2017

« How to quantitatively represent the social world – Field theory meets the “machine learning revolution”. », présenté au congrès Empirical investigation of social space II, Bonn octobre 2015 ; présentation invitée au séminaire scientifique de l'Observatoire Sociologique du Changement, IEP Paris janvier 2017.

« Le temps long de la politique » (avec S. Michon et É. Ollion), présentation invitée au colloque « Refaire la démocratie », Assemblée nationale, Paris octobre 2016 ; présentation invitée au séminaire de l’école doctorale de science politique à l’université Paris 1, janvier 2018.

« De Gaulle’s Nightmare. The Steady Erosion of Party Discipline in France – A Network Based Approach » (avec F. Tarissan et É. Ollion), présenté à l'European Conference on Social Networks (EUSN), session Political Networks, Paris juin 2016.


Enseignements

2018 : « Données d'internet : Collecte automatique, nettoyage, et traitements », école d'été Quantilille, Université de Lille. Co-organisation, cours, TD.

2018 : « Introduction au machine learning : visualisation, classification, prédiction », M2, 12 heures, Université Paris Est Marne La Vallée.

2018 : « Prédiction et interprétation en sciences sociales : introduction au machine learning supervisé. » Formation pour les chercheurs de l’unité démographie économique, 6 heures, INED, Paris.

2017 : « Enquête quantitative. » TD enseignement à distance, L2, 20 heures, Université de Strasbourg.

2017 : « Sciences sociales numériques. » CM et TD, L3, 35 heures, Université de Strasbourg.

2016 : « Données numériques en sciences sociales », école d'été Quantilille, Université Lille 2. Co-organisation, cours, TD.

2016 : « Apprentissage statistique (machine learning) pour les sciences sociales. » Formation pour les doctorants et chercheurs de SAGE, Université de Strasbourg.

2015 : « Méthodes numériques pour sciences sociales (collecte automatique et traitement de données d'internet). » Formation pour les doctorants et chercheurs de SAGE, Université de Strasbourg.