Plateforme de Sciences de l'Implémentation
Plateforme avancée d'aide à la décision IS — PAIF · CFIR 2.0 · RE-AIM · EPIS · ERIC · Proctor · Proof-of-concept fonctionnel — validation externe en cours
🚀 Découvrir MOUDAR® en 3 minutes
Lancez un cas de démonstration préchargé — aucune saisie requise
Comment souhaitez-vous décrire votre projet ?
🔄 Theory of Change IS
🏆 Rapport d'Impact IS
🔬 Analyseur de Maturité des Protocoles
Évaluation selon les standards IS — CFIR 2.0 · RE-AIM · EPIS
⚖️ Comparaison de 2 protocoles
Analysez et comparez deux protocoles côte à côte selon le score RIRS
📚 Revue de Littérature IS
Synthèse automatisée ancrée dans CFIR 2.0 · RE-AIM · EPIS
📋 Générateur de Questionnaires IS
Génération structurée d'instruments IS ancrés dans CFIR 2.0 · RE-AIM · EPIS · Proctor, à revue experte
💰 Rédacteur de Grant IS
Demandes de financement ancrées dans CFIR 2.0 · RE-AIM · EPIS · Proctor
📊 Tableau de bord Suivi IS
Suivi RE-AIM hebdomadaire · KPIs · Alertes IS · Recommandations adaptatives
👥 Espace de Travail IS — Collaboration par fichiers
Partagez vos analyses via fichiers .moudar · Annotez en équipe · Synthèse IA collective
ℹ️ Mode actuel : collaboration asynchrone par échange de fichiers .moudar — pas de synchronisation cloud temps réel. Chaque membre travaille sur son appareil et partage ses fichiers manuellement.
🆕 Créer un espace collaboratif
🔑 Rejoindre un espace
.moudar et envoyez-le à vos collaborateurs par email ou messagerie.
📥 Importer une analyse
📂 Mes espaces récents
🎯 Sélecteur ERIC IS
73 stratégies officielles · Matching automatique · Justification académique
🛡️ Évaluation de Préparation PAIF — IPRT
Implementation Preparedness Reflection Tool · Younes MOUDAR (2026) · Swiss Medical Academy · CERSS UM5
🤖 Analyse narrative MOUDAR\u00ae (PAIF)
📋 MAIP — Matrice Anticipatoire de Préparation à la Mise en œuvre
Matrix for Anticipatory Implementation Preparedness · Younes MOUDAR (2026) · Swiss Medical Academy · CERSS UM5
| # | Déterminant | Risque | Stratégie (ERIC) | Mécanisme | Outcome (Proctor) | Indicateur | Seuil | Horizon | Équité | Incertitude | Règle Adaptive | Responsable |
|---|
🧭 Wizard PAIF — Cycle d'implémentation guidé
6 étapes · Auto-injection · Swiss Medical Academy · CERSS UM5 · Younes MOUDAR (2026)
📊 Dashboard IS — Gouvernance PAIF
Vue synthétique de tous vos modules IS · Alertes de seuils · Monitoring adaptatif
📄 Rapport PAIF — Rapport structuré exportable
Synthèse complète : IPRT + DGPE + MAIP + Analyse narrative IA · Younes MOUDAR (2026)
📅 Plan d'action IS — 90 jours
Généré automatiquement à partir de vos scores IPRT, DGPE et décisions MAIP
| Période | Action IS | Responsable | KPI | Seuil | Statut |
|---|---|---|---|---|---|
| Complétez IPRT et DGPE, puis cliquez sur "Générer le Plan 90 jours". | |||||
📜 Statut, limites & gouvernance
Déclaration formelle à transmettre à tout reviewer, comité ou partenaire. À reproduire telle quelle pour éviter toute survente.
Statut
MOUDAR® est un proof-of-concept avancé de plateforme décisionnelle en science de l'implémentation. Il n'est pas une plateforme validée : aucune validation externe indépendante n'a été conduite à ce jour. Toute sortie de l'outil (score, recommandation, prédiction) doit être lue comme une aide structurée à la décision, jamais comme une conclusion établie.
Ce que l'outil fait
- Structure le raisonnement d'implémentation autour de CFIR 2.0, RE-AIM, EPIS, ERIC, Proctor, FRAME, PAIF et MAIP.
- Trace la chaîne déterminant → stratégie → mécanisme → outcome → seuil → règle adaptative.
- Documente les adaptations (FRAME) et la provenance des recommandations (Evidence Graph).
- Produit un dossier d'audit (Reviewer Mode + Evidence Pack) avec hash de traçabilité.
Ce que l'outil n'est pas
- Pas un moteur causal ou probabiliste validé. Le
decisionCoreest généré par assistance IA (Claude / Anthropic) à partir du dossier soumis. - Pas un substitut au jugement d'expert. Les seuils et règles adaptatives sont des aides, à confronter au contexte local.
- Pas un outil de prédiction clinique. Le DGPE (Damschroder 2022) est utilisé en mode exploratoire, sur une sélection opérationnelle de 36 construits CFIR 2.0 ; performance interne préliminaire (Small Data).
- Pas une base de preuves indépendante. L'Evidence Graph est une extraction structurée du raisonnement IA ; il ne remplace pas une recherche bibliographique systématique.
Limites méthodologiques connues
- Génération assistée par grand modèle de langage : risque d'hallucination résiduel, atténué par l'ancrage cadre (CFIR/ERIC/Proctor) et l'étiquetage de provenance.
- Échantillon limité pour les composants ML internes : pas de validation externe, pas d'évaluation de calibration ni de transportabilité.
- Couverture incomplète des 48 construits CFIR 2.0 (sélection opérationnelle de 36).
- Évaluation des incertitudes qualitative (faible/moyenne/élevée), non probabiliste.
Validation externe prévue
- Soumission scientifique en cours (Implementation Science Communications — PAIF).
- Pilotes prévus avec partenaires académiques (CM6RI Rabat · HES-SO Valais) — résultats à publier.
- Étude de cas terrain documentée via le journal FRAME (méthodologie de reporting).
Données & confidentialité
- Aucune donnée n'est envoyée à un serveur central MOUDAR : tout est stocké localement dans le navigateur (localStorage).
- Les appels IA passent par un proxy Lambda sécurisé vers l'API Anthropic ; aucune persistance côté MOUDAR.
- Mode session disponible : désactive toute persistance locale.
- L'utilisateur conserve la maîtrise complète (effacement, export, mode session).
Gouvernance humaine
- Toute décision d'implémentation reste sous la responsabilité de l'expert humain.
- L'Evidence Graph trace explicitement ce qui est « validé humain » vs « à valider ».
- Le Reviewer Mode liste les éléments nécessitant validation externe.
- Le mode académique impose un langage prudent ; le mode terrain explicite la portée opérationnelle.
Risques d'usage à connaître
- Sur-confiance dans une sortie IA : une recommandation MOUDAR n'est pas une preuve. Toujours confronter au contexte.
- Décontextualisation : une chaîne MAIP générée pour un dossier n'est pas transposable telle quelle à un autre projet.
- Mise à jour des cadres : CFIR/RE-AIM/EPIS/ERIC évoluent ; vérifier la version du framework utilisée.
- Reformulation IA : entre deux analyses, l'IA peut reformuler une même idée — l'Evidence Graph utilise désormais un identifiant stable (hash origine+claim normalisé) pour préserver la validation humaine, mais la robustesse reste imparfaite.
Cette déclaration est versionnée avec l'outil. Version actuelle : MOUDAR® v105. Citez ce statut tel quel en présentation académique ou institutionnelle.
🧪 Reviewer Mode & Evidence Pack
Rapport d'audit pour comités scientifiques et reviewers : données d'entrée, frameworks, chaînes MAIP, Evidence Graph, FRAME, limites, incertitudes, statut. Le bundle « Evidence Pack » ajoute les annexes (decisionCore JSON brut, bibliographie complète).
Cliquez sur « Régénérer » pour assembler le rapport d'audit à partir des données actuelles (Analyse IS, decisionCore, Evidence Graph, FRAME).
Le rapport reviewer agrège les artefacts existants ; il n'établit pas la validité scientifique du projet — il en organise la traçabilité. Hash de l'instantané (djb2) : —.
🔎 Evidence Graph — Provenance & validation
Chaque recommandation devient un nœud traçable : origine (framework / source), niveau de confiance, et validation humaine. Construit à partir du decisionCore de la dernière Analyse IS.
| Recommandation / Affirmation | Origine (framework / source) | Confiance | Validé humain |
|---|---|---|---|
| Lancez d'abord une Analyse IS — le moteur en extrait les preuves. | |||
Provenance issue du decisionCore (généré par assistance IA, structuré par MOUDAR — non un moteur de preuve validé). La colonne « Validé humain » trace ce qu'un expert a confirmé : élément clé pour un usage académique ou d'audit.
Scoring Orientationnel d'Implémentation
Évaluez 36 construits CFIR 2.0 — dont 🏆 10 construits CFIR sélectionnés (Extra-Trees Sprint 3) — et obtenez un score orientationnel IS (exploratoire) + Super-Variable + explication narrative IA
⭐ = construits clés identifiés par Schmitt et al. (2025) — poids renforcé dans le modèle
📂 Import CSV — Analyse en masse (DGPE V0.2)
Chargez un fichier CSV contenant les évaluations CFIR 2.0 de plusieurs projets. Chaque ligne = 1 projet. Les 33 colonnes doivent correspondre aux construits DGPE (scores 1-5).
Format attendu : première ligne = en-têtes (nom_projet, d1c1, d1c2, ..., d5c8), valeurs 1 à 5. ⬇ Télécharger le modèle CSV
Complétez la saisie des construits et cliquez sur "Calculer" pour voir vos résultats.
🏗️ Architecture du moteur DGPE V0.2 — Sprint 3
Le moteur DGPE V0.2 implémente une architecture hybride en trois étapes, évaluée en validation interne exploratoire sur échantillon limité IS réels :
- Étape 1 — Scoring pondéré (interface MOUDAR®) : Un modèle de scoring à poids différentiels calibré Extra-Trees · Sprint 3 · Schmitt et al. (2025) calcule un indice orientationnel basé sur les 36 construits CFIR 2.0 implémentés. L'Alerte de maturité insuffisante plafonne conservativement le score à 5% si la Super-Variable est inférieure à 3.5/5. Ce plafonnement est un signal conservateur de non-préparation IS, non une probabilité réelle de succès. Validation statistique externe requise.
- Étape 2 — Moteur Extra-Trees (API FastAPI — Ismaïl El Ouazzani) : Un classifieur Extra-Trees entraîné sur un échantillon limité (Small Data) (Schmitt 2025 + MOVE! 2013) estime un signal de préparation à partir des construits CFIR sélectionnés sur les 10 construits CFIR sélectionnés + Super-Variable les plus prédictives. Validation : Repeated Stratified K-Fold (k=5, 10 répétitions).
- Étape 3 — Explication Narrative LLM (Claude via Proxy AWS Lambda) : Le score et les construits déterminants sont transmis à Claude pour génération d'une explication narrative personnalisée.
📊 Benchmarking des algorithmes — Évolution Sprint 1→3
| Algorithme | ROC-AUC | F1-Score | Données | Statut |
|---|---|---|---|---|
| LLM seul (V0.1 — Sprint 1) | 0.50 | — | 600 synthétiques | ❌ Abandonné |
| XGBoost (Sprint 2) | 0.95* | 0.94* | 600 synthétiques | ⚠️ Overfitting |
| Extra-Trees (Sprint 3) ✅ | 0.76–0.79 ±0.093 | 0.723 ±0.094 | un échantillon limité (Small Data) | Cross-val. interne · validation externe requise |
* Performances artificiellement élevées sur données synthétiques — non représentatives de la réalité clinique.
🛡️ Alerte maturité IS (conservateur) (Garde-fou clinique)
Implémenté lors du Sprint 3 (Ismaïl El Ouazzani, BDSI/USMBA Fès, 2026) pour sécuriser les prédictions out-of-distribution. Si la Super-Variable de maturité globale (score moyen des 36 construits évalués) est inférieure à 3.5/5, la score orientationnel de maturité IS (indicateur exploratoire) est automatiquement plafonnée à 5%. Ce seuil correspond à l'absence historique de projets aussi immatures dans le dataset d'entraînement.
⚠️ Limites et précautions d'usage
Le moteur DGPE V0.2 est un outil d'aide à la décision en Sciences d'Implémentation. Il ne remplace pas le jugement expert contextuel. Le dataset d'entraînement (n=106) reste limité — la collecte terrain Maroc/Suisse (questionnaire 32 questions) est en cours pour enrichir le modèle. Sources : Schmitt M et al., Implementation Science Communications, 2025;6:89 · Damschroder LJ et al., Implementation Science, 2022 · Ismaïl El Ouazzani, PFE BDSI/USMBA Fès, 2026.
📁 Mon Projet IS
Ce contexte sera injecté automatiquement dans tous les modules MOUDAR® — analyses, grants, questionnaires, dashboard.
🧩 FRAME — Journal des adaptations & fidélité
Documentez chaque modification réelle de l'intervention pendant le déploiement (Stirman et al., 2019). Journal persistant, par projet, exportable.
| Date | Adaptation | Cause | Décideur | Type | Fidélité | Risque | Mesure corrective | |
|---|---|---|---|---|---|---|---|---|
| Aucune adaptation enregistrée. Documentez la première ci-dessus. | ||||||||
Cadre FRAME — Stirman, Baumann & Miller (2019). Outil de documentation des adaptations : il aide à tracer la fidélité, il ne l'établit pas. Données stockées localement (respecte le mode confidentialité de session).
🚀 Démonstration guidée MOUDAR®
Choisissez un cas préchargé · 3 minutes · Aucune saisie requise