{"id":3781,"date":"2026-03-31T19:30:24","date_gmt":"2026-03-31T17:30:24","guid":{"rendered":"https:\/\/wp.unil.ch\/iaunil\/?p=3781"},"modified":"2026-04-01T14:52:28","modified_gmt":"2026-04-01T12:52:28","slug":"dcsr-llm-utiliser-lintelligence-artificielle-pour-la-recherche-a-lunil","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/iaunil\/dcsr-llm-utiliser-lintelligence-artificielle-pour-la-recherche-a-lunil\/","title":{"rendered":"DCSR-LLM : utiliser l\u2019intelligence artificielle pour la recherche \u00e0 l\u2019UNIL"},"content":{"rendered":"\n

Articl\u00e9 r\u00e9dig\u00e9 par Dr. Philippe Jacquet, Data Scientist, Division Calcul et Soutien \u00e0 la Recherche (DCSR).<\/em><\/p>\n\n\n\n

\"dcsr<\/figure>\n\n\n\n

Avez-vous d\u00e9j\u00e0 voulu poser les m\u00eames questions \u00e0 des milliers de documents, comparer plusieurs mod\u00e8les d\u2019IA, ou transformer une vaste collection de textes en donn\u00e9es de recherche structur\u00e9es ?<\/p>\n\n\n\n

Ce sont pr\u00e9cis\u00e9ment le type de t\u00e2ches de recherche pour lesquelles DCSR-LLM<\/strong> a \u00e9t\u00e9 d\u00e9velopp\u00e9 \u00e0 l\u2019UNIL.<\/p>\n\n\n\n

Qu\u2019est-ce que la DCSR ?<\/h2>\n\n\n\n

La DCSR<\/strong> signifie Division Calcul et Soutien \u00e0 la Recherche<\/strong>. Nous faisons partie du Centre Informatique de l\u2019UNIL. Nous sommes une \u00e9quipe d\u2019environ 20 personnes. Notre r\u00f4le est d\u2019aider la communaut\u00e9 de recherche de l\u2019UNIL pour les besoins en calcul, en stockage de donn\u00e9es et en support technique pour les projets de recherche.<\/p>\n\n\n\n

Certains membres de l\u2019\u00e9quipe g\u00e8rent l\u2019infrastructure de calcul utilis\u00e9e \u00e0 l\u2019UNIL. D\u2019autres travaillent directement avec les chercheuses et chercheurs et fournissent du conseil scientifique et technique.<\/p>\n\n\n\n

Quel type de soutien la DCSR apporte-t-elle ?<\/h2>\n\n\n\n

La DCSR fournit deux grands types de soutien.<\/p>\n\n\n\n

Le premier est l\u2019infrastructure<\/strong>. Cela comprend les ordinateurs, l\u2019espace de stockage et les syst\u00e8mes techniques que les chercheuses et chercheurs peuvent utiliser pour des t\u00e2ches de recherche exigeantes. Le second est l\u2019expertise<\/strong> : le personnel de la DCSR accompagne les projets sur des sujets comme la programmation scientifique, le machine learning, les bases de donn\u00e9es et le d\u00e9veloppement web.<\/p>\n\n\n\n

La DCSR n\u2019est donc pas seulement un lieu o\u00f9 se trouvent des machines. C\u2019est aussi une unit\u00e9 de soutien compos\u00e9e de personnes qui aident les chercheuses et chercheurs \u00e0 utiliser ces outils de mani\u00e8re utile.<\/p>\n\n\n\n

Que sont les clusters HPC ?<\/h2>\n\n\n\n

Le terme HPC<\/strong> signifie High-Performance Computing<\/strong>, c\u2019est-\u00e0-dire le calcul haute performance. Il d\u00e9signe des syst\u00e8mes de calcul puissants utilis\u00e9s pour des t\u00e2ches trop grandes, trop lentes ou trop exigeantes pour un ordinateur portable ordinaire. Un cluster HPC est un groupe d\u2019ordinateurs qui travaillent ensemble. Au lieu de tout faire sur une seule machine, un cluster peut r\u00e9partir le travail sur plusieurs machines.<\/p>\n\n\n\n

\u00c0 l\u2019UNIL, il existe deux clusters HPC : Curnagl<\/strong> et Urblauna<\/strong>. Leurs noms sont d\u00e9riv\u00e9s de noms d\u2019oiseaux en romanche. Ils sont utilis\u00e9s pour des t\u00e2ches de recherche exigeantes telles que les simulations, l\u2019analyse de donn\u00e9es, le machine learning et les workflows li\u00e9s \u00e0 l\u2019IA.<\/p>\n\n\n\n

Une mani\u00e8re simple de le comprendre est la suivante : si votre ordinateur portable suffit, vous utilisez votre ordinateur portable. Si votre travail devient trop lourd, trop lent ou demande plus de m\u00e9moire, alors le cluster devient utile.<\/p>\n\n\n\n

Que sont les grands mod\u00e8les de langage ?<\/h2>\n\n\n\n

Les grands mod\u00e8les de langage<\/strong>, ou LLMs<\/strong> (Large Language Models), sont des syst\u00e8mes d\u2019IA entra\u00een\u00e9s sur de tr\u00e8s grandes quantit\u00e9s de texte. Ils peuvent r\u00e9pondre \u00e0 des questions, r\u00e9sumer des documents, reformuler du texte, classer de l\u2019information ou extraire des faits \u00e0 partir de documents \u00e9crits. La plupart des gens les connaissent \u00e0 travers des outils comme ChatGPT, Claude ou Gemini.<\/p>\n\n\n\n

Qu\u2019est-ce que Hugging Face ?<\/h2>\n\n\n\n

Hugging Face<\/strong> est une plateforme sur laquelle les gens partagent des mod\u00e8les d\u2019IA et des jeux de donn\u00e9es. Une comparaison simple serait de dire que c\u2019est un peu comme GitHub, mais pour les mod\u00e8les de machine learning et les donn\u00e9es. Hugging Face fournit aussi des outils logiciels qui facilitent le t\u00e9l\u00e9chargement et l\u2019ex\u00e9cution de mod\u00e8les de langage open source sur un ordinateur ou un serveur.<\/p>\n\n\n\n

Qu\u2019est-ce que LM Studio ?<\/h2>\n\n\n\n

LM Studio<\/strong> est une application qui permet d\u2019ex\u00e9cuter certains mod\u00e8les de langage localement \u00e0 travers une interface de chat. En pratique, cela ressemble un peu \u00e0 l\u2019utilisation de ChatGPT, sauf que le mod\u00e8le peut tourner sur votre propre ordinateur. Cela peut \u00eatre utile pour des exp\u00e9riences locales simples.<\/p>\n\n\n\n

Pourquoi la DCSR a-t-elle cr\u00e9\u00e9 DCSR-LLM ?<\/h2>\n\n\n\n

Parce que de nombreuses chercheuses et de nombreux chercheurs veulent utiliser l\u2019IA, mais que leurs besoins vont souvent au-del\u00e0 d\u2019un simple chatbot<\/strong>.<\/p>\n\n\n\n

Un chatbot est utile pour poser une question ou r\u00e9diger un paragraphe. Mais la recherche demande souvent quelque chose de plus structur\u00e9. Les chercheuses et chercheurs peuvent vouloir :<\/p>\n\n\n\n

– tester plusieurs mod\u00e8les sur une m\u00eame t\u00e2che ;
– travailler sur une grande collection de documents ;
– garder les donn\u00e9es sur l\u2019infrastructure de l\u2019UNIL ;
– enregistrer pr\u00e9cis\u00e9ment les param\u00e8tres utilis\u00e9s dans une analyse ;
– r\u00e9p\u00e9ter le m\u00eame workflow plus tard.<\/p>\n\n\n\n

C\u2019est pour cela que la DCSR a d\u00e9velopp\u00e9 DCSR-LLM.<\/p>\n\n\n\n

Qu\u2019est-ce que DCSR-LLM ?<\/h2>\n\n\n\n

DCSR-LLM est une bo\u00eete \u00e0 outils<\/strong> d\u00e9velopp\u00e9e \u00e0 l\u2019UNIL pour travailler avec les grands mod\u00e8les de langage de mani\u00e8re plus structur\u00e9e.<\/p>\n\n\n\n

Elle permet aux chercheuses et chercheurs d\u2019utiliser des mod\u00e8les open source depuis Hugging Face<\/strong>, de les ex\u00e9cuter localement ou sur les serveurs de l\u2019UNIL, de les comparer, de les \u00e9valuer sur des t\u00e2ches pr\u00e9cises, d\u2019extraire des informations structur\u00e9es \u00e0 partir de textes et d\u2019adapter certains mod\u00e8les \u00e0 des usages plus sp\u00e9cialis\u00e9s, et d’exporter des mod\u00e8les au format GGUF pour une utilisation dans LM Studio<\/strong>.<\/p>\n\n\n\n

Ce n\u2019est pas seulement un chatbot. C\u2019est un outil pens\u00e9 pour des workflows de recherche<\/strong>.<\/p>\n\n\n\n

Pourquoi ne pas simplement utiliser ChatGPT ou Claude ?<\/h2>\n\n\n\n

Pour de nombreux usages du quotidien, ChatGPT ou Claude sont tr\u00e8s utiles. Mais dans la recherche, trois questions suppl\u00e9mentaires comptent souvent.<\/p>\n\n\n\n

La premi\u00e8re est : o\u00f9 vont les donn\u00e9es <\/strong>?
Certains projets impliquent des donn\u00e9es sensibles, non publi\u00e9es ou internes. Dans ce cas, les chercheuses et chercheurs peuvent pr\u00e9f\u00e9rer un environnement plus contr\u00f4l\u00e9.<\/p>\n\n\n\n

La deuxi\u00e8me est : quel mod\u00e8le suis-je en train d\u2019utiliser <\/strong>?
Les diff\u00e9rents mod\u00e8les se comportent diff\u00e9remment. En recherche, il est souvent utile de les comparer plut\u00f4t que de d\u00e9pendre d\u2019un seul assistant.<\/p>\n\n\n\n

La troisi\u00e8me est : puis-je r\u00e9p\u00e9ter clairement le m\u00eame workflow <\/strong>?
Si un r\u00e9sultat produit par l\u2019IA a de l\u2019importance dans un projet, il est g\u00e9n\u00e9ralement n\u00e9cessaire de documenter comment il a \u00e9t\u00e9 obtenu.<\/p>\n\n\n\n

DCSR-LLM est utile parce qu\u2019il aide sur ces trois points<\/strong>.<\/p>\n\n\n\n

Que signifie ici le terme \u00ab reproductible \u00bb ?<\/h2>\n\n\n\n

Cela signifie que le travail est r\u00e9alis\u00e9 d\u2019une mani\u00e8re qui peut \u00eatre r\u00e9p\u00e9t\u00e9e et document\u00e9e<\/strong>. Si vous utilisez le m\u00eame mod\u00e8le, les m\u00eames donn\u00e9es et les m\u00eames param\u00e8tres, vous devriez pouvoir relancer le workflow et comprendre ce qui s\u2019est pass\u00e9. C\u2019est important en recherche, parce que les m\u00e9thodes doivent \u00eatre d\u00e9crites clairement.<\/p>\n\n\n\n

Que peut faire DCSR-LLM en pratique ?<\/h2>\n\n\n\n

DCSR-LLM peut faire plusieurs choses concr\u00e8tes. Il peut aider une chercheuse ou un chercheur \u00e0 inspecter et t\u00e9l\u00e9charger des mod\u00e8les<\/strong> depuis Hugging Face, ex\u00e9cuter<\/strong> certains de ces mod\u00e8les localement, comparer<\/strong> plusieurs mod\u00e8les sur le m\u00eame benchmark, transformer du texte non structur\u00e9<\/strong> en donn\u00e9es structur\u00e9es, et adapter un mod\u00e8le<\/strong> pour une t\u00e2che plus sp\u00e9cifique.<\/p>\n\n\n\n

Ces id\u00e9es deviennent plus faciles \u00e0 comprendre avec quelques exemples.<\/p>\n\n\n\n

Pouvez-vous donner un premier exemple concret d’utilisation ?<\/h2>\n\n\n\n

Imaginons qu\u2019une chercheuse ou un chercheur en sciences sociales dispose de 2 000 transcriptions d\u2019entretiens<\/strong> et souhaite les organiser.<\/p>\n\n\n\n

Chaque entretien est r\u00e9dig\u00e9 en texte libre. Pour chaque transcription, la personne souhaite extraire un petit ensemble de champs clairement d\u00e9finis, par exemple :<\/p>\n\n\n\n

– le titre ou l\u2019identifiant de l\u2019entretien ;
– la date de l\u2019entretien ;
– le lieu ;
– le nom ou le profil de la personne interrog\u00e9e ;
– l\u2019institution ou l\u2019organisation mentionn\u00e9e ;
– le th\u00e8me principal abord\u00e9 ;
– une courte citation justifiant l\u2019extraction.<\/p>\n\n\n\n

Un chatbot classique peut aider sur quelques entretiens, un par un. Mais cela devient difficile d\u00e8s qu\u2019il y a des milliers de textes et que l\u2019on veut la m\u00eame structure \u00e0 chaque fois.<\/p>\n\n\n\n

Avec DCSR-LLM, l\u2019\u00e9quipe peut d\u00e9finir les champs qu\u2019elle veut, ex\u00e9cuter le m\u00eame processus d\u2019extraction sur l\u2019ensemble de la collection, enregistrer les r\u00e9sultats dans un format structur\u00e9, puis les relire. L\u2019IA ne remplace pas la chercheuse ou le chercheur. Mais elle peut aider \u00e0 transformer une grande collection de textes en quelque chose de plus facile \u00e0 examiner et \u00e0 analyser.<\/p>\n\n\n\n

Pouvez-vous donner un deuxi\u00e8me exemple concret d’utilisation ?<\/h2>\n\n\n\n

Imaginons qu\u2019une \u00e9quipe de recherche en biologie ou en m\u00e9decine souhaite utiliser l\u2019IA pour r\u00e9pondre \u00e0 un ensemble de questions sp\u00e9cifiques \u00e0 son domaine.<\/strong><\/p>\n\n\n\n

Avant de choisir un mod\u00e8le, l\u2019\u00e9quipe veut savoir lequel fonctionne le mieux pour sa t\u00e2che. Si elle utilise seulement des chatbots de mani\u00e8re manuelle, la comparaison devient difficile. Une personne peut poser des questions l\u00e9g\u00e8rement diff\u00e9rentes. Une autre peut utiliser une autre formulation. Les r\u00e9sultats deviennent alors plus difficiles \u00e0 comparer de mani\u00e8re \u00e9quitable.<\/p>\n\n\n\n

Avec DCSR-LLM, l\u2019\u00e9quipe peut pr\u00e9parer une liste fixe de questions<\/strong> et ex\u00e9cuter la m\u00eame \u00e9valuation sur plusieurs mod\u00e8les. Elle peut ensuite comparer les r\u00e9sultats de mani\u00e8re plus syst\u00e9matique. Au lieu de dire : \u00ab ce mod\u00e8le semble meilleur \u00bb, elle peut dire : \u00ab nous avons test\u00e9 ces mod\u00e8les sur la m\u00eame t\u00e2che, dans les m\u00eames conditions \u00bb. C\u2019est beaucoup plus proche d\u2019une d\u00e9marche de recherche<\/strong>.<\/p>\n\n\n\n

Pouvez-vous donner un troisi\u00e8me exemple concret d’utilisation ?<\/h2>\n\n\n\n

Imaginons qu\u2019une chercheuse ou un chercheur dispose d\u2019une tr\u00e8s grande collection de textes, par exemple 10 000 articles scientifiques<\/strong> ou 10 000 transcriptions YouTube<\/strong>.<\/p>\n\n\n\n

La personne peut vouloir poser des questions comme :<\/p>\n\n\n\n

– Cet article parle-t-il de changement climatique, de migration ou de politique publique ?
– Cette personne parle-t-elle de l\u2019intelligence artificielle de mani\u00e8re positive ou n\u00e9gative ?
– Ce texte mentionne-t-il un concept, un auteur ou une m\u00e9thode particuli\u00e8re ?
– Le but principal de cet article est-il d\u2019expliquer, de critiquer ou de comparer ?
– Cette transcription contient-elle un t\u00e9moignage personnel, une opinion experte ou un argument politique ?
– Quels passages parlent d\u2019\u00e9thique, de co\u00fbt ou de risque ?<\/p>\n\n\n\n

Un chatbot classique peut aider avec un article ou une transcription \u00e0 la fois. Mais cela devient peu pratique lorsque la collection contient des milliers de textes.<\/p>\n\n\n\n

Avec DCSR-LLM, la chercheuse ou le chercheur peut ex\u00e9cuter le m\u00eame workflow sur l\u2019ensemble du corpus de mani\u00e8re plus syst\u00e9matique. Au lieu de copier du texte manuellement dans un chatbot, il devient possible de traiter la collection de mani\u00e8re structur\u00e9e et d\u2019enregistrer les r\u00e9sultats pour une analyse ult\u00e9rieure.<\/p>\n\n\n\n

L\u2019int\u00e9r\u00eat n\u2019est donc pas seulement que l\u2019IA puisse r\u00e9pondre \u00e0 des questions. L\u2019int\u00e9r\u00eat est qu\u2019il devient possible de poser les m\u00eames questions de recherche \u00e0 grande \u00e9chelle<\/strong>, sur un vaste ensemble de textes, de mani\u00e8re plus organis\u00e9e et reproductible.<\/p>\n\n\n\n

Pouvez-vous donner un quatri\u00e8me exemple concret d’utilisation ?<\/h2>\n\n\n\n

Imaginons qu\u2019une \u00e9quipe ait trouv\u00e9 un mod\u00e8le qui fonctionne assez bien, mais pas encore suffisamment<\/strong> bien pour son domaine. Par exemple, le mod\u00e8le peut avoir de la difficult\u00e9 avec le vocabulaire d\u2019une discipline particuli\u00e8re, ou avec le format exact des r\u00e9ponses attendues dans un projet.<\/p>\n\n\n\n

Dans ce cas, l\u2019\u00e9quipe peut vouloir adapter le mod\u00e8le<\/strong> \u00e0 une t\u00e2che ou \u00e0 un domaine sp\u00e9cifique, puis mesurer si cette adaptation a r\u00e9ellement am\u00e9lior\u00e9 les r\u00e9sultats.<\/p>\n\n\n\n

DCSR-LLM peut soutenir ce type de workflow avant\/apr\u00e8s<\/strong>. Une \u00e9quipe peut tester le mod\u00e8le d\u2019origine, l\u2019adapter \u00e0 la t\u00e2che, puis le tester \u00e0 nouveau sur le m\u00eame benchmark. Cela donne une r\u00e9ponse plus claire qu\u2019une simple impression du type : \u00ab la nouvelle version semble meilleure \u00bb.<\/p>\n\n\n\n

Donc DCSR-LLM n\u2019est pas principalement fait pour discuter avec un chatbot ?<\/h2>\n\n\n\n

Exactement. Il peut \u00eatre utilis\u00e9 pour dialoguer, mais ce n\u2019est pas sa fonction principale. Sa fonction principale est de soutenir un travail structur\u00e9<\/strong> avec les mod\u00e8les de langage : \u00e9valuation, extraction, comparaison et adaptation. C\u2019est pourquoi il est plus utile de le consid\u00e9rer comme un outil de recherche<\/strong> que comme un simple chatbot.<\/p>\n\n\n\n

Faut-il savoir programmer ?<\/h2>\n\n\n\n

Pas n\u00e9cessairement en profondeur, mais un certain soutien technique est utile.<\/p>\n\n\n\n

DCSR-LLM est un outil en ligne de commande<\/strong>. Cela signifie qu\u2019il s\u2019utilise dans un terminal, et non \u00e0 travers une interface web en point-and-click. Les utilisatrices et utilisateurs n\u2019ont donc pas besoin d\u2019\u00eatre des programmeuses ou programmeurs experts, mais ils doivent \u00eatre \u00e0 l\u2019aise avec un environnement technique de base, ou travailler avec le soutien de la DCSR ou de coll\u00e8gues plus exp\u00e9riment\u00e9s techniquement.<\/p>\n\n\n\n

L\u2019important est que DCSR-LLM n\u2019est pas r\u00e9serv\u00e9 aux sp\u00e9cialistes de l\u2019IA. Mais ce n\u2019est pas non plus un produit grand public con\u00e7u pour un usage enti\u00e8rement occasionnel.<\/p>\n\n\n\n

O\u00f9 DCSR-LLM peut-il \u00eatre ex\u00e9cut\u00e9 ?<\/h2>\n\n\n\n

Il peut fonctionner sur un ordinateur personnel<\/strong> pour de petites exp\u00e9riences. Il est aussi con\u00e7u pour fonctionner sur l\u2019infrastructure de l\u2019UNIL<\/strong>, notamment sur Curnagl et Urblauna.<\/p>\n\n\n\n

C\u2019est important, parce qu\u2019un projet peut commencer modestement puis grandir. Une chercheuse ou un chercheur peut d\u2019abord tester une id\u00e9e sur un ordinateur portable, puis ex\u00e9cuter plus tard un workflow plus important sur les clusters de l\u2019UNIL.<\/p>\n\n\n\n

Pourquoi est-ce utile ?<\/h2>\n\n\n\n

Parce que de nombreux projets ne commencent pas avec un investissement massif. Les chercheuses et chercheurs commencent souvent avec une question simple : \u00ab Est-ce que ce mod\u00e8le peut m\u2019aider avec mon mat\u00e9riel ? \u00bb<\/p>\n\n\n\n

Si les premiers r\u00e9sultats sont prometteurs, ils peuvent ensuite vouloir passer \u00e0 une autre \u00e9chelle : plus de documents, plus de mod\u00e8les, plus de comparaisons, plus de calculs exigeants. DCSR-LLM accompagne cette mont\u00e9e en \u00e9chelle progressive<\/strong>.<\/p>\n\n\n\n

Quelle est l\u2019id\u00e9e principale derri\u00e8re DCSR-LLM ?<\/h2>\n\n\n\n

L\u2019id\u00e9e principale est simple. DCSR-LLM aide les chercheuses et chercheurs \u00e0 passer d\u2019un usage informel des chatbots \u00e0 une mani\u00e8re plus contr\u00f4l\u00e9e<\/strong> de travailler avec l\u2019IA. Cela signifie plus de clart\u00e9 sur le mod\u00e8le utilis\u00e9<\/strong>, l\u2019endroit o\u00f9 les donn\u00e9es sont trait\u00e9es<\/strong>, la mani\u00e8re dont les r\u00e9sultats sont g\u00e9n\u00e9r\u00e9s<\/strong>, et la fa\u00e7on dont le workflow peut \u00eatre r\u00e9p\u00e9t\u00e9<\/strong>.<\/p>\n\n\n\n

Est-ce que l\u2019IA remplace la chercheuse ou le chercheur ?<\/h2>\n\n\n\n

Non. L\u2019IA peut aider dans certaines t\u00e2ches, parfois de mani\u00e8re tr\u00e8s efficace. Mais les chercheuses et chercheurs doivent toujours d\u00e9finir la question<\/strong>, choisir la m\u00e9thode<\/strong>, relire les r\u00e9sultats<\/strong> et les interpr\u00e9ter<\/strong>. DCSR-LLM est utile parce qu\u2019il aide \u00e0 organiser un travail fond\u00e9 sur l\u2019IA. Il ne supprime pas la n\u00e9cessit\u00e9 du jugement scientifique.<\/p>\n\n\n\n

Alors, qu\u2019est-ce que DCSR-LLM en une phrase ?<\/h2>\n\n\n\n

DCSR-LLM est un outil pratique d\u00e9velopp\u00e9 \u00e0 l\u2019UNIL, qui aide les chercheuses et chercheurs \u00e0 utiliser les grands mod\u00e8les de langage de mani\u00e8re plus concr\u00e8te<\/strong>, plus contr\u00f4l\u00e9e<\/strong> et plus reproductible<\/strong> qu\u2019avec une simple interface de chatbot.<\/p>\n\n\n\n

Liens utiles<\/h2>\n\n\n\n

– D\u00e9p\u00f4t : https:\/\/git.dcsr.unil.ch\/Scientific-Computing\/dcsr-llm<\/a>
– Plus d\u2019informations : https:\/\/wiki.unil.ch\/ci\/link\/2266<\/a>
– Contact : helpdesk@unil.ch (objet : DCSR-LLM)<\/p>\n","protected":false},"excerpt":{"rendered":"

Comparer des mod\u00e8les, extraire des donn\u00e9es structur\u00e9es, reproduire des workflows : DCSR-LLM aide les chercheuses et chercheurs de l’UNIL \u00e0 utiliser l’IA au-del\u00e0 du chatbot. <\/p>\n","protected":false},"author":1002618,"featured_media":3792,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":""},"categories":[10],"tags":[],"class_list":{"0":"post-3781","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-ressources"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/3781","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/users\/1002618"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/comments?post=3781"}],"version-history":[{"count":5,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/3781\/revisions"}],"predecessor-version":[{"id":3821,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/posts\/3781\/revisions\/3821"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media\/3792"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/media?parent=3781"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/categories?post=3781"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/iaunil\/wp-json\/wp\/v2\/tags?post=3781"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}