Dans cette vidéo pédagogique, le présentateur montre comment analyser la performance d’un panel sensoriel en utilisant le package R SensoMineR. Il décrit la construction d’un modèle mixte incluant les effets produit, juge (aléatoire par défaut) et séance, ainsi que leurs interactions (produit‑juge, produit‑séance, juge‑séance). Après soumission du modèle, il interprète les tableaux d’ANOVA qui donnent les probabilités critiques pour chaque effet, explique la signification d’un effet produit significatif et d’un effet juge (translation d’échelle). Il montre comment, lorsqu’il y a plusieurs séances, on peut évaluer la performance globale du panel ainsi que la performance individuelle de chaque juge : - tableau de discrimination produit‑par‑descripteur (cases roses = effet produit significatif), - tableau de corrélations juge‑panel (cases bleues = corrélation > 0,85, paramétrable). Il détaille la gestion des cas où un juge a donné la même note (NaN) et la façon de modifier le seuil de corrélation. Enfin, il explore les interactions produit‑séance et produit‑juge à l’aide de divers graphiques (lignes, colonnes, contributions des produits et des séances) et explique comment lire ces graphiques pour identifier les produits ou séances qui génèrent des interactions fortes. Le tout est présenté de façon technique et didactique, avec des conseils pratiques pour ajuster les paramètres et interpréter les résultats.
Chapters
Je vais m'intéresser à la performance du panel. Donc pour la performance du panel, je vais construire un modèle avec l'effet produit, l'effet du juge, et puis je vais compléter le modèle en mettant un effet séance, les interactions produit-juge, Produit séance et juge séance. OK. Et par défaut, je garde tous les descripteurs. Par défaut, l'effet juge est aléatoire, donc l'effet produit sera testé par rapport à l'interaction produit-juge. Je submit. Voici le tableau de résultats avec les probabilités critiques de chaque effet: l'effet produit, l'effet juge, l'effet séance et l'effet des interactions produit-juge, produit-séance et juge-séance. Voilà pour l'étude de la performance du jury. Je peux aussi regarder la performance du jury et la performance de chaque juge. Alors pour ce faire, je vais construire un modèle pour le jury, donc le même modèle que pour étudier la performance du jury: produit+ juge+ séance+ produit+ juge, l'interaction produit+ juge+ l'interaction produit+ séance. Séance+ interaction juge-séance. Pour chaque panéliste, je vais construire un modèle avec l'effet produit seulement et l'effet séance. S'il y a une seule séance de dégustation, je ne vais pas pouvoir construire un modèle pour le panel avec produit+ juge+ l'interaction produit-juge parce que chaque juge aura évalué chaque produit une seule fois. Je n'aurais pas de répétition, je ne pourrais pas tester l'interaction. De même, je ne vais pas pouvoir construire de modèle par juge parce que j'aurais une seule donnée par produit et par juge et je ne pourrais pas étudier la performance de chaque juge. Je ne pourrais pas savoir si un juge est performant parce qu'il aura donné une seule note. Mais dans mon cas, j'ai plusieurs séances donc je peux évaluer la performance. L'effet du juge est aléatoire par défaut. Je veux les résultats pour le panel et les résultats individuels. Je soumets. Les analyses sont un peu longues parce qu'il y a beaucoup de descripteurs et beaucoup de juges, donc il y a beaucoup d'analyses de variance qui sont réalisées. Donc là j'ai un premier tableau avec les performances de l'ensemble du panel qui reprend les résultats précédents avec l'effet produit, l'effet du juge, l'effet séance et puis chaque interaction qui sont étudiées. Donc on voit qu'il y a un effet produit qui est systématique, donc les juges différencient les produits. Il y a un effet juge, c'est juste que les juges n'utilisent pas l'échelle de notation exactement de la même façon, il y a une translation dans l'utilisation de l'échelle, ce que signifie l'effet juge. Il y a des interactions produit-juge, des interactions produit-séance pour le collant. Donc il faudra regarder de plus près cette interaction produit-séance pour savoir si elle pose problème ou pas. Alors pour les interactions produit-juge, elles sont significatives mais Comme l'effet produit est testé par rapport à l'interaction produit-juge, le fait qu'il y ait un effet produit significatif montre que les juges ont vu des différences entre produits très grandes par rapport aux petites différences de notation qu'il y a pu y avoir d'un juge à l'autre. Donc il y a une différence de notation d'un juge à l'autre pour évaluer un même produit, mais ces différences ne sont pas si importantes par rapport aux grosses différences qu'il y a entre produits. Donc ça, ça signifie qu'ils ne sont pas complètement en accord mais dans les grandes tendances ils sont d'accord. Et ensuite j'ai 2 tableaux pour évaluer la performance des juges. Donc un premier tableau avec les probabilités critiques de l'effet produit pour chaque panéliste et chaque descripteur. Donc en ligne on a les panélistes et en colonne les descripteurs et la case est rose quand l'effet produit est significatif, donc quand le juge arrive à discriminer les produits selon ce descripteur. Alors il y a ici quelques NaN, Not a Number, parce que le juge, par exemple ici 22, pour la saveur vanille avait toujours mis la même note et donc le modèle ne pouvait pas être construit. Et ensuite un tableau avec les corrélations entre les notes du juge et les notes du panel, les notes moyennes du panel. Si la corrélation est élevée, ça veut dire que le juge note à peu près comme le panel. Donc quand la corrélation est supérieure à 0.85 par défaut, la case sera en bleu et donc ça voudra dire que le juge évalue à peu près comme le panel. Si je veux par exemple colorier les cases en bleu quand il y a une corrélation supérieure à 0,8 par exemple, je peux revenir ici et dans la fonction Call Table pour les résultats ResAgree qui correspond à l'étude du consensus, je peux mettre comme niveau 0,8 au lieu de 0,85 et je sélectionne les 2 lignes, je resoumets, je vais avoir un tableau avec les cases en bleu quand le coefficient de corrélation est supérieur à 0,8. Ce coefficient de corrélation dépend un petit peu du nombre de produits qui sont évalués et Un coefficient de corrélation supérieur à 0.8 quand il y a beaucoup de produits montrera que le juge évalue à peu près comme l'ensemble du panel. Je peux étudier maintenant l'interaction produit-séance pour le descripteur collant qui posait problème. Par défaut, je vais avoir un graphe en lignes et un graphe en colonnes. Alors j'ai plusieurs tableaux de résultats, plusieurs graphes. Donc un premier graphe avec les moyennes en abscisse, les moyennes pour chaque produit, et en ordonnée les moyennes pour un produit à une séance donnée. Un écart important entre 2 séances signifiera qu'il y a une forte interaction. Si les lignes brisées sont parallèles, il n'y a pas d'interaction et l'écart au parallélisme montre qu'il y a une interaction. Donc c'est le produit principalement Amazonie ici qui semble contribuer fortement à l'interaction. Il y a un graphe ici qui est certainement un peu moins intéressant qui donne les coefficients de l'interaction les coefficients alpha, bêta, ij. On peut passer ce graphe. Ensuite on a un graphe qui correspond à la contribution de chaque produit et un graphe qui correspond à la contribution de chaque séance. Ici comme on n'a que 2 séances, ce graphe n'est absolument pas intéressant. Si on avait plus que 2 séances, le graphe pourrait être intéressant pour savoir quelle séance, est-ce qu'il y a une séance particulière qui contribue à l'interaction. Ici on voit que c'est le chocolat amazonien qui contribue fortement à l'interaction à plus de 0.50. On peut étudier aussi l'interaction produit-juge pour 4 descripteurs. Donc là, on a les graphes des contributions à l'interaction. Ici on a les 29 juges, contribution à l'interaction, et ici on a la contribution de chaque produit. Donc le graphe qui est certainement moins intéressant qu'un graphe par descripteur et puis les lignes brisées par juge. Donc ici il y a énormément de lignes brisées et donc le graphe est difficile à lire. On peut éventuellement modifier le graphe et prendre une ligne brisée par produit plutôt qu'une ligne brisée par juge pour voir si le graphe est un peu plus lisible.
