Assistant-e Ingenieur-e Modélisation mathématique du comportement
Référence : 2025-2083789
- Fonction publique : Fonction publique de l'État
- Employeur : Université de Strasbourg
- Localisation : Laboratoire de Neurosciences Cognitives et Adaptatives (LNCA) - UMR 7364
Partager la page
Veuillez pour partager sur Facebook, Twitter et LinkedIn.
- Nature de l’emploi Emploi ouvert uniquement aux contractuels
- Nature du contrat Non renseigné
- Expérience souhaitée Débutant
-
Rémunération Fourchette indicative pour les contractuels Catégorie A. ASI € brut/an Fourchette indicative pour les fonctionnaires Non renseignée
- Catégorie Catégorie A (cadre)
- Management Non renseigné
- Télétravail possible Non renseigné
Vos missions en quelques mots
Emploi ouvert aux agents contractuels uniquement
CDD de projet de 8 mois, à pourvoir à compter du 07/01/2026
Catégorie : A Corps : Assistant ingénieur
Rémunération selon grille de la Fonction Publique
La fiche de poste est consultable sur le site de l'Université de Strasbourg
Mission :
Nous recherchons un-e assistant-e ingénieur-e pour une durée de 8 mois (07/01/2026 – 07/09/2026) afin de participer à l'analyse d'un ensemble de données existantes. L'analyse nécessite l'ajustement de modèles de diffusion de dérive à une tâche à période variable enregistrée par le Dr Philippe Isope (INCI). Le candidat doit avoir une expérience préalable de l'ajustement de modèles DDM, de solides connaissances en programmation Python et une bonne maîtrise des packages permettant l'ajustement DDM.
L'ingénieur travaillera sur un projet collaboratif avec le Dr. Bahuguna (LNCA - Laboratoire des Neurosciences Cognitives et Adaptatives) et le Dr Isope (INCI - Institut des Neurosciences Cellulaires et Intégratives).
Activités principales :
- Prétraitement des données
- Développement d'un pipeline d'analyse pour l'ajustement DDM
- Documentation de l'utilisation du pipeline d'analyse et des principaux résultats
Activités associées :
- Participation aux réunions d'équipe et à la présentation des rapports
Contact pour renseignements sur le poste :
Dr. Jyotika Bahuguna – CPJ, LNCA ; Equipe FunSy
Mail : bahuguna@unistra.fr
Niveau d'études minimum requis
- Niveau Niveau 7 Master/diplômes équivalents
Compétences attendues
a) Connaissances :
Les candidats doivent être titulaires d'un master et posséder les compétences suivantes :
- Bonne maîtrise de l'anglais, à l'oral comme à l'écrit
- Solides connaissances théoriques des modèles DDM
- Solides connaissances en programmation Python
- Connaissance des packages mettant en œuvre l'ajustement DDM.
b) Compétences opérationnelles :
- Autre méthodes d'analyse de données
c) Compétences comportementales :
- Savoir interagir et savoir travailler en équipe, en collaboration avec les personnels dédiés à l'expérimentation
(chercheurs, doctorants, ingénieurs) et les personnels de l'unité.
- Sens de l'organisation
- Rigueur et autonomie
Éléments de candidature
Documents à transmettre
Personnes à contacter
Qui sommes-nous ?
L’Université de Strasbourg est une université pluridisciplinaire de recherche qui comprend 56 000 étudiants et 5 800 personnels, dont 2 800 enseignants-chercheurs. Elle propose un environnement professionnel intellectuellement stimulant, marqué par l’excellence de la recherche, un leadership régional et européen, et porté par un projet stratégique qui la définit comme internationale, ouverte, créative et inclusive.
Attentive à la qualité de vie au travail, à l’égalité femmes-hommes, et handi-bienveillante, l’Université de Strasbourg propose des opportunités professionnelles nombreuses et variées, au service de la formation des générations futures et du progrès scientifique.
Descriptif du service
Le LNCA regroupe 6 équipes qui étudient les bases neurobiologiques de comportements complexes (mémoire, addiction, etc.). L’équipe 3 « FunSy » s’intéresse aux circuits cérébraux envisagés comme des systèmes dynamiques. L'un des projets sur lesquels nous travaillons (en collaboration avec le Dr Philippe Isope - INCI) consiste à modéliser le comportement pendant les périodes préparatoires d'une tâche décisionnelle. Les tâches de pré-période (FP) ont été largement utilisées pour étudier les périodes préparatoires. La FP est définie comme l'intervalle de temps entre le début d'un signal d'avertissement (qui indique au sujet qu'il doit se lancer dans la tâche) et le début d'un stimulus cible. La durée de la FP peut être manipulée dans des paradigmes à période préparatoire variable dans lesquels la durée de la FP change de manière inattendue entre les essais d'un même bloc, ce qui entraîne des effets spécifiques à cette variabilité et dus en partie à une augmentation de l'incertitude temporelle.
Un ensemble de données comportementales a déjà été enregistré par le Dr Isope avec des périodes préparatoires variables et nous voulons étudier si un modèle de diffusion de dérive peut expliquer les effets de la période préparatoire sur le comportement.
Le projet consistera à nettoyer et à prétraiter les données comportementales, à concevoir des formulations mathématiques du modèle de diffusion par dérive et à développer un pipeline Python qui adapte et évalue ces formulations aux donnée
À propos de l'offre
-
Relation hiérarchique :
La personne recrutée fera partie de l'équipe de recherche FunSy, sous la supervision du Dr. Jyotika Bahuguna
-
Vacant à partir du 07/01/2026
-
Analyste de données
