OpenPLS
FR
Commencer gratuitement
Assistant de recherche IA Nouveau · Bêta

IA ambiante qui connaît votre projet.

Des conseils contextuels apparaissent en cours de travail. Un panneau de chat répond aux questions ouvertes sur votre modèle, toujours ancrés dans les chiffres déjà calculés.

Conseils proactifs par onglet

Un coup d'œil par onglet

Ouvrez Results, Editor, MGA ou Advanced et voyez 1 à 3 suggestions en haut de l'onglet. Chaque conseil lit votre modèle en direct et cite vos propres chiffres.

Results › Conseils IA
Lancer IPMA sur Loyalty
R² = 0.51 (substantiel). IPMA trace importance contre performance pour prioriser les prédécesseurs.
Alerte HTMT : Trust ↔ Quality
HTMT = 0.87 dépasse le seuil conservateur de 0.85. Vérifiez la validité discriminante avant publication.

Panneau de chat IA

Posez, obtenez des réponses fondées

Ouvrez le robot en bas à droite pour poser n'importe quelle question sur votre modèle, vos données ou vos résultats. Quatre outils en lecture seule donnent accès à la structure du projet, jamais aux lignes brutes.

Compagnon IA
Que devrais-je exécuter ensuite ?
Avec des R² substantiels (Loyalty 0.51, Satisfaction 0.71) et une colonne `gender` dans le dataset : IPMA pour prioriser les prédécesseurs, puis MICOM suivi de MGA pour tester les différences de chemin par genre.
utilisés : getResults, getDataset
  • N'envoie jamais de lignes de données
  • Seuls la structure et les agrégats quittent le navigateur
  • 100 appels gratuits par fonction par mois
  • Désactivé par défaut, un clic pour activer
L'écart

PLS-SEM a plus de seuils qu'un chercheur ne peut retenir.

Le Primer on PLS-SEM de Hair, Ringle et Sarstedt fait 428 pages. Les niveaux R² de Chin, HTMT de Henseler, f² de Cohen, HTMT2 de Roemer, règles out-of-sample de Shmueli - chaque étape d'une analyse rigoureuse a un seuil, une citation, une nuance sur la variance selon le domaine. Même les auteurs expérimentés gardent le primer ouvert à côté de l'éditeur.

Le Compagnon IA ne retire pas cette rigueur. Il retire l'impôt de recherche. Il lit votre projet en direct, connaît le seuil applicable, cite sa source, et signale où vous risquez de publier quelque chose qu'un relecteur repérera.

15+
critères de qualité par compute
7
étapes du workflow avec IA
10+
classiques PLS-SEM cités
< 4 s
de la question à la réponse fondée
Maintenant disponible

De l'output de compute à un brouillon qui survit au peer review.

Les trois dernières phases bouclent la boucle. Choisissez les bonnes méthodes avancées, rédigez les paragraphes Méthode / Résultats / Discussion depuis votre output en direct, et laissez chaque affirmation remonter à un article curé que l'assistant peut nommer.

Live

Assistant de méthodes avancées

Lit la forme de votre modèle, la taille d'échantillon et les résultats, puis propose un pipeline ordonné de méthodes avancées avec une justification d'une ligne chacune. IPMA avant MGA. MICOM avant MGA. Sauter FIMIX en dessous de n = 200. Chaque suggestion connaît le seuil qu'elle vient de franchir.

Votre projet · Étude Loyalty
n = 214 · 4 LVs · R² substantiel
Prochaines étapes suggérées
  1. Lancer IPMA sur Loyalty - Ringle & Sarstedt 2016
  2. PLSpredict k = 10 pour validité out-of-sample - Shmueli 2019
  3. MICOM → MGA par marché - Henseler et al. 2016
Un clic ouvre le panneau avec les paramètres pré-remplis.
Live

Brouillons de rapport + défense-relecteur

Paragraphes Méthode, Résultats et Discussion rédigés depuis votre output de compute en direct sous forme de LaTeX ou Word. Inclut une passe de simulation-relecteur : à quoi un relecteur sceptique objecterait, et quelle citation y répond.

Section Résultats · brouillon automatique
"Le modèle structurel explique 51 % de la variance en Loyalty (R² = 0.51, substantiel selon Chin 1998). Trust exerce l'effet direct le plus fort (β = 0.42, p < 0.001), cohérent avec..."
Défense-relecteur
Relecteur 2 : "HTMT Trust ↔ Quality = 0.87 dépasse 0.85."
→ Raffiné via HTMT2 (Roemer et al. 2021) - la correction de moyenne géométrique donne 0.83, bien en dessous du seuil conservateur.
Live

Citations depuis un corpus curé

Les réponses ancrent chaque affirmation dans une bibliothèque vectorielle de 50+ classiques PLS-SEM. Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli, Sarstedt et al. Chaque chip de citation ouvre l'abstract de l'article dans le drawer.

Réponse IA avec citations ancrées
"Un R² de 0.51 compte comme substantiel selon les niveaux de Chin (1998) utilisés dans la littérature PLS-SEM."
Chin 1998 · §22.4 Hair et al. 2022 · Ch. 6
50+ sources PLS-SEM indexées
Workflow IA-first

Deux concepteurs, un flux connecté.

Transformez une question de recherche en modèle de départ en secondes. Obtenez un questionnaire validé à partir des LVs du modèle. Collectez des données, puis interprétez avec le même assistant.

Concepteur de modèles IA

Live

Tapez votre question de recherche. L'assistant propose 3-6 variables latentes avec modes (réflexif/formatif), chemins hypothétiques avec citations et 2-3 références de la littérature PLS-SEM. Un clic crée un nouveau modèle avec LVs et chemins déjà dessinés.

Model › AI designer
Question de recherche
"Qu'est-ce qui motive la fidélité client dans les courses alimentaires en ligne ?"
↓
Proposition IA
Trust · Réflexif Perceived Quality · Réflexif Satisfaction · Réflexif Loyalty · Réflexif
H1: Trust → Loyalty (+) - Zeithaml et al. 1996

Constructeur de questionnaires

Live

Étant donné le modèle, l'assistant génère 4-6 items validés par LV avec citations (Davis TAM, Zeithaml SERVQUAL, Cronin & Taylor …). Ou commencez de zéro et écrivez les items vous-même. Modifiez inline, ajoutez la démographie, exportez en CSV / Markdown / JSON pour Qualtrics, LimeSurvey ou SoSci Survey.

Dataset › Questionnaire builder
Trust · Davis (1989)
trust1 Je fais confiance à cette boutique pour tenir ses promesses.
trust2 Cette boutique paraît fiable dans ses transactions.
trust3 La boutique traite mes données personnelles avec soin.
Âge · Genre · Pays
Où il aide

Support ambiant à chaque étape de votre projet PLS-SEM.

Le Compagnon n'est pas un chatbot collé sur un formulaire. Il est tissé dans les panneaux que vous utilisez déjà, et ne lit que ce dont il a besoin.

01

Éditeur de modèles

Pendant que vous glissez des LVs et des chemins, l'assistant lit la structure et signale les décalages de mode réflectif/formatif, les LVs avec moins de 3 indicateurs, et les constructs isolés. Il propose des constructs d'ordre supérieur quand des LVs corrélés peuvent être simplifiés, et cite Sarstedt et al. (2019) sur l'approche disjoint two-stage.

Exemple
Votre LV Trust a 2 indicateurs. La mesure réflective est généralement acceptée à partir de 3 items (Hair et al. 2019). Ajoutez un troisième item ou passez en Mode B si ce sont des facettes formatives.
02

Chargement du dataset

Adéquation de la taille d'échantillon face à la règle 10x, audit des valeurs manquantes colonne par colonne, détection de codes sentinelles (−99, −999), cohérence des plages d'échelle entre indicateurs du même construct. Tout à partir de résumés de colonnes - jamais de vos données.

Exemple
n = 84 est en dessous de la règle 10x pour votre modèle (LV maximum a 4 chemins entrants). Collectez plus d'observations ou interprétez les CIs bootstrap avec prudence.
03

Interprétation des résultats

Niveaux R² avec seuils nommés (Chin 1998), violations HTMT par paire, échecs de fiabilité par LV, alerte SRMR, et la prochaine méthode la plus utile étant donné vos chiffres actuels. L'étape à plus fort levier - la plupart des manuscrits se gagnent ou se perdent ici.

Exemple
R² pour Loyalty = 0.51 (substantiel). Chemin Trust → Loyalty = 0.42 (p < 0.001), notable. Mais HTMT Trust ↔ Quality = 0.87 dépasse le seuil conservateur 0.85 (Henseler et al. 2015). Lancez HTMT2 (Roemer et al. 2021) pour la correction de moyenne géométrique avant d'affirmer la validité discriminante.
04

Analyse multigroupe

L'assistant scanne votre dataset pour des colonnes catégorielles avec 2–5 niveaux (genre, marché, traitement) et propose un candidat MGA. Il impose la séquence MICOM-avant-MGA, alerte quand un groupe tombe sous n = 30, et suggère quels chemins comparer entre les groupes.

Exemple
La colonne market a 4 niveaux (DE, US, UK, JP). Le groupe JP a n = 27 - sous le plancher de 30 pour bootstrap stable. Fusionnez JP avec un autre marché asiatique ou excluez-le du MGA.
05

Sélection de méthodes avancées

Laquelle des 15+ méthodes convient réellement à votre modèle ? L'assistant lit vos R², la taille d'échantillon, la forme du modèle et les métriques de fiabilité, et propose un pipeline ordonné. La question "que devrais-je exécuter ensuite" reçoit une réponse concrète et défendable avec citations.

Exemple
Avec des R² substantiels et un cadrage politique : IPMA en premier pour prioriser les prédécesseurs (Ringle & Sarstedt 2016). Si la généralisation out-of-sample compte pour la Discussion, PLSpredict avec k = 10 (Shmueli et al. 2019). Sautez FIMIX-PLS - votre n = 180 est à la limite inférieure.
06

Rédaction du rapport

Section Méthode, section Résultats, discussion des limites - rédigées depuis votre output de compute en direct sous forme de paragraphes LaTeX ou Word. Inclut la défense-relecteur : ce qu'un relecteur sceptique demanderait, et la citation avec laquelle vous répondriez.

Exemple
Paragraphe de résultats auto-rédigé : "Le modèle structurel explique 51 % de la variance en Loyalty (R² = 0.51, substantiel selon Chin 1998). Trust exerce l'effet direct le plus fort (β = 0.42, p < 0.001)…" - un collage dans votre manuscrit, une édition pour le ton.
Ancré dans la littérature

Chaque seuil nomme son article.

Le Compagnon refuse d'inventer des chiffres. Quand il cite un seuil, la citation est intégrée à son system prompt et reflète la littérature PLS-SEM canonique contre laquelle OpenPLS valide aussi.

Critère Seuil Source
Niveaux R² 0.19 / 0.33 / 0.67 Chin (1998)
Niveaux f² de Cohen 0.02 / 0.15 / 0.35 Cohen (1988)
Validité discriminante HTMT < 0.85 (conservateur), < 0.90 (libéral) Henseler et al. (2015)
Raffinement HTMT2 correction par moyenne géométrique Roemer et al. (2021)
Ajustement SRMR < 0.08 Hu & Bentler (1999)
α de Cronbach, fiabilité composite ≥ 0.70 Nunnally & Bernstein (1994)
Règle 10x pour la taille d'échantillon n ≥ 10 × max chemins entrant dans une LV Barclay et al. (1995)
Itérations bootstrap (publication) ≥ 5000 Hair et al. (2022)
IPMA importance × performance effets totaux × scores latents moyens Ringle & Sarstedt (2016)
Panel k-fold PLSpredict RMSE, MAE vs. benchmark linéaire Shmueli et al. (2019)

Quand on demande à l'assistant un seuil dont il n'est pas certain, il le dit au lieu de deviner. Cette règle est figée dans son system prompt : "Si vous ne connaissez pas un seuil avec certitude, dites-le et n'inventez pas de chiffre."

Trois parcours de chercheurs

Workflows réels que le Compagnon accélère.

Compositions illustratives issues de sessions utilisateurs OpenPLS et de contextes PLS-SEM courants. Aucune ne représente de vraies personnes.

Doctorant en marketing
Échantillon cumulé de 214 répondants d'achats en ligne. Modèle Trust → Satisfaction → Loyalty. Deadline dans 6 semaines.
Éditeur

Compagnon signale Loyalty avec seulement 2 indicateurs et cite Hair et al. 2019 sur le nombre minimum d'items. Ajoute un troisième item validé de Watanabe et al. 2018.

Résultats

R² = 0.62 pour Loyalty. HTMT Trust ↔ Satisfaction = 0.88 signalé. Suggère raffinement HTMT2 - passe proprement à 0.83. Défense-relecteur sécurisée.

Avancé

Suggère IPMA sur Loyalty. Trust classe premier en priorité (importance 0.42, performance 61). Contribution prête pour la section Managerial Implications.

3 jours de recherche littéraire condensés en 90 minutes de travail concentré.
Chercheur en services de santé
Enquête d'expérience patient, n = 512 dans 4 hôpitaux. Données téléchargées avec code sentinelle −99 pour "sans réponse".
Dataset

Compagnon détecte R² anormalement bas. Note que les valeurs −99 ne sont pas enregistrées comme manquantes. Recommande d'ajouter −99 à la liste missing-codes.

Recompute

R² pour Care-Quality → Satisfaction passe de 0.09 à 0.44 après gestion correcte des valeurs manquantes. Résultat devient publiable.

MGA

Hospital ID a 4 niveaux. Compagnon impose MICOM d'abord - invariance partielle tenue. MGA révèle des différences significatives Trust → Loyalty entre deux sites.

Analyse corrompue évitée juste avant soumission du manuscrit.
Analyste-conseil
Étude de fidélité B2B pour un fabricant mid-cap. Livrable : rapport de 20 pages avec recommandations politiques claires.
Éditeur

Compagnon suggère un HOC formative-reflective pour Service-Quality. Cite Sarstedt et al. 2019 disjoint two-stage. Six items se réduisent à un construct bidimensionnel plus propre.

Avancé

PLSpredict k = 10. Le modèle bat le benchmark linéaire en RMSE. Explique au client la différence entre R² in-sample et validité out-of-sample.

Rapport

Exporte les tables LaTeX et priorités IPMA directement. Brouillon de rapport prêt deux jours avant la deadline.

Le client repart avec un modèle défendable et une priorisation claire, pas un mur de statistiques.
Confiance, pas raccourcis

L'assistant vous aide à décider. Il ne décide pas pour vous.

Chaque article PLS-SEM porte votre nom, votre défense. Le Compagnon est délibérément construit pour renforcer votre jugement, pas le remplacer.

Ne lit que structure et agrégats

Forme du modèle, résumés de colonnes, R², p-values, matrices HTMT, fiabilité - c'est tout. Jamais les lignes du dataset, jamais l'identité de l'uploader, jamais les noms de fichiers. L'invariant est imposé dans le code, pas dans un prompt.

Cite les outils utilisés

Chaque réponse montre lequel des quatre outils en lecture seule le modèle a appelé. S'il affirme un chiffre, vous pouvez vérifier de quel outil il vient. Pas d'interprétation boîte noire.

Ne lance jamais de compute

Le Compagnon peut suggérer "lancez IPMA sur Loyalty" - il ne peut pas exécuter le compute lui-même. Vous restez aux commandes de chaque étape irréversible.

Dit "je ne sais pas" quand c'est le cas

Règle dure dans le system prompt : en cas d'incertitude sur un seuil ou l'applicabilité d'une méthode, l'assistant le dit au lieu d'halluciner. Le refus est une fonctionnalité.

Éteint par défaut, un clic pour activer

Le Compagnon est derrière un opt-in explicite avec surface de consentement claire. Une fois activé, un clic le désactive aussi - pas de dépendances cachées, pas de ré-onboarding.

Quota transparent

100 tours de chat et 100 appels de hint par utilisateur par mois pendant Bêta. Vous savez toujours combien il en reste. Pas d'auto-facturation, pas de coût surprise.

Feuille de route

Où va le Compagnon.

Les 7 phases sont en ligne. Chaque étape d'un manuscrit PLS-SEM, de la question de recherche à la défense-relecteur, a maintenant son propre compagnon IA.

  1. ✓

    Phase 1 · Chat d'interprétation

    Répond à toute question ouverte sur votre modèle via quatre outils en lecture seule. En ligne depuis 2026-07-27.

  2. ✓

    Phase 2 · Conseils contextuels par étape

    1–3 suggestions proactives en haut de chaque onglet de projet. En ligne depuis 2026-07-27.

  3. ✓

    Phase 3 · Assistant de conception de modèles

    Transforme votre question de recherche en modèle de départ avec LVs, modes, chemins et citations de blueprint. Un clic l'écrit comme nouveau modèle avec tout déjà dessiné. En ligne depuis 2026-07-27.

  4. ✓

    Phase 4 · Conception de questionnaires

    Pour chaque LV, génère 4-6 items validés avec citations (Davis TAM, Zeithaml SERVQUAL, Cronin & Taylor …). Ou commencez manuellement et écrivez les items vous-même. Éditeur inline, préréglages démographiques, export CSV/Markdown/JSON. En ligne depuis 2026-07-27.

  5. ✓

    Phase 5 · Sélection automatique de méthodes

    Lit le projet complet (modèle + données + résultats) et rédige un pipeline ordonné de méthodes avancées - IPMA avant MGA, MICOM avant MGA, PLSpredict là où l'out-of-sample compte. Chaque suggestion cite le seuil qu'elle vient de franchir. En ligne depuis 2026-08-03.

  6. ✓

    Phase 6 · Rapports + défense-relecteur

    Paragraphes Méthode, Résultats et Discussion générés depuis votre output de compute en direct sous forme de LaTeX ou Word. Inclut la simulation-relecteur : ce à quoi un relecteur sceptique objectera, et la citation qui y répond. En ligne depuis 2026-08-03.

  7. ✓

    Phase 7 · RAG avec littérature curée

    Chaque affirmation est ancrée dans une bibliothèque vectorielle de 50+ classiques PLS-SEM (Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli). Les chips de citation ouvrent le paragraphe source dans un drawer. En ligne depuis 2026-08-03.

Activez-le et voyez votre projet avec les yeux du Compagnon.

Gratuit pendant la Bêta. Éteint par défaut. Sans carte. Un clic dans les Paramètres de compte - ou directement en ouvrant le robot en bas à droite de l'app.

Commencer Se connecter