Des écrits scientifiques mettent en évidence les retombées de l’humanisation et de la déshumanisation des soins pour les patients. Les formateurs et les chercheurs mettent donc à l’essai de nombreuses stratégies pédagogiques prometteuses qui visent à promouvoir l’humanisation des soins. Or, les connaissances portant sur le processus d’apprentissage de la compétence « agir avec humanisme » demeurent peu développées. Cette thèse doctorale présente une étude phénoménologique qui visait à élaborer un modèle cognitif de l’apprentissage (MCA) de la compétence « agir avec humanisme », à partir de l’expérience vécue d’apprentissage d’étudiantes infirmières et de diplômées d’un programme de baccalauréat en sciences infirmières basé sur une approche par compétences, et à identifier les indicateurs de développement s’y rattachant. L’étude a été orientée par une perspective conceptuelle intégrant les sciences infirmières, soit le Modèle humaniste des soins infirmiers – UdeM (MHSI-UdeM) développé par Cara et al. (2016), et les sciences de l’éducation, soit la conception du développement des compétences de Tardif (2006). La philosophie humaniste, à la base du MHSI-UdeM, a été approfondie et analysée à la lumière de cinq conceptions infirmières. Une analyse du MHSI-UdeM selon la méthode de Chinn et Kramer (2018) a également été réalisée. La phénoménologie interprétative de Benner (1994), ancrée dans les référents philosophiques d’Heidegger (1927/2008), a été privilégiée. Les participantes (n = 26), des étudiantes et des infirmières, ont été recrutées dans six groupes en fonction de leur progression universitaire et professionnelle. Des entrevues individuelles ont été conduites puis les récits recueillis ont été transcrits et analysés selon une opérationnalisation de la perspective phénoménologique de Benner (1994). Le MCA de la compétence « agir avec humanisme » a été décliné en cinq niveaux de développement suivants : 1) conscientisation à l’humanisation des soins, 2) appropriation d’habiletés de communication investies dans une approche humaniste, 3) conciliation d’un idéal de pratique humaniste aux responsabilités de l’infirmière clinicienne, 4) intégration d’une approche humaniste dans l’ensemble des soins et 5) maîtrise d’une approche humaniste dans l’environnement de travail. D’autres résultats ont montré qu’un développement de la compétence « agir avec humanisme » commençait avant les études en sciences infirmières et qu’il était différent d’une étudiante à l’autre. Les résultats ont aussi mis en évidence des leviers et des contraintes au développement de la compétence « agir avec humanisme », résidant à la fois dans les institutions d’enseignement et les établissements de santé. Il y avait notamment la présence de modèles de rôle humanistes et d’environnements qui promeuvent l’humanisation des soins, ainsi que la surcharge de travail qui l’entrave. Les participantes ont aussi énoncé des recommandations visant à optimiser le développement de la compétence « agir avec humanisme » qui se sont avérées fortement cohérentes avec les leviers et les contraintes identifiées. Des retombées pour les cinq domaines de la pratique infirmière découlent de cette étude et offrent certaines pistes qui pourraient favoriser le développement de la compétence « agir avec humanisme ». L’une d’elles vise à harmoniser l’entrée dans la profession infirmière après la formation, une période charnière où le développement de la compétence « agir avec humanisme » s’est avéré être le plus vulnérable. / Several papers illustrate the outcomes of humanization and dehumanization of care for patients. Educators and researchers are testing many promising educational strategies aimed at promoting humanization of care. However, little is known about the development of the “humanistic caring” competency. This thesis presents a phenomenological study aimed at elaborating a cognitive learning model (CLM) of the “humanistic caring” competency, from the lived experiences of nursing students and graduates of a competency-based program, and to identify related developmental indicators. A conceptual perspective combining nursing, the Humanistic Model of Nursing Care – UdeM (HMNC-UdeM) developed by Cara et al. (2016), and education, a conception about competency development (Tardif, 2006), oriented the study. The humanistic philosophy at the roots of the HMNC-UdeM was scrutinized and analyzed in the context of five conceptual models. An analysis of the HMNC-UdeM, based on Chinn and Kramer’s method (2018), was also carried out. Benner’s (1994) interpretive phenomenology, grounded in the philosophical foundations of Heidegger (1927/2008), was used as the study methodology. The participants (n = 26), students and nurses, were recruited into six groups based on their progression in the education program and their clinical experience. Individual interviews were conducted, and the stories collected were transcribed and analyzed according to an operationalization of Benner’s (1994) phenomenological perspective. The CLM of the “humanistic caring” competency comprised five developmental stages: 1) conscientization to humanization of care, 2) assimilation of communication skills integrated in a humanistic approach, 3) reconciliation of an ideal of humanistic practice with the responsibilities of a nurse, 4) integration of a humanistic approach in nursing care, and 5) mastery of a humanistic approach in the work environment. Other results showed that a development of "humanistic caring" began before studying nursing and that it was different from one student to another. The results also highlighted facilitators and constraints to the development of "humanistic caring" residing in both educational institutions and healthcare facilities. These included the presence of humanistic role models and environments that promote humanization of care, and the work overload, that impedes it. The participants also suggested recommendations aimed at optimizing the development of "humanistic caring", and these were highly consistent with the aforementioned facilitators and constraints. Implications for the five domains of practice emerge from this study and offer some avenues that could promote the development of "humanistic caring". One of them is to facilitate the entry into the nursing profession after graduation, a turning point where the development of "humanistic caring" has proven to be the most vulnerable.

The primary goal of this work is to propose a methodology for discovering hyperparameters. Hyperparameters aid systems in convergence when well-tuned and handcrafted. However, to this end, poorly chosen hyperparameters leave practitioners in limbo, between concerns with implementation or improper choice in hyperparameter and system configuration. We specifically analyze the choice of learning rate in stochastic gradient descent (SGD), a popular algorithm. As a secondary goal, we attempt the discovery of fixed points using smoothing of the loss landscape by exploiting assumptions about its distribution to improve the update rule in SGD. Smoothing of the loss landscape has been shown to make convergence possible in large-scale systems and difficult black-box optimization problems. However, we use stochastic value gradients (SVG) to smooth the loss landscape by learning a surrogate model and then backpropagate through this model to discover fixed points on the real task SGD is trying to solve. Additionally, we construct a gym environment for testing model-free algorithms, such as Proximal Policy Optimization (PPO) as a hyperparameter optimizer for SGD. For tasks, we focus on a toy problem and analyze the convergence of SGD on MNIST using model-free and model-based reinforcement learning methods for control. The model is learned from the parameters of the true optimizer and used specifically for learning rates rather than for prediction. In experiments, we perform in an online and offline setting. In the online setting, we learn a surrogate model alongside the true optimizer, where hyperparameters are tuned in real-time for the true optimizer. In the offline setting, we show that there is more potential in the model-based learning methodology than in the model-free configuration due to this surrogate model that smooths out the loss landscape and makes for more helpful gradients during backpropagation. / L’objectif principal de ce travail est de proposer une méthodologie de découverte des hyperparamètres. Les hyperparamètres aident les systèmes à converger lorsqu’ils sont bien réglés et fabriqués à la main. Cependant, à cette fin, des hyperparamètres mal choisis laissent les praticiens dans l’incertitude, entre soucis de mise en oeuvre ou mauvais choix d’hyperparamètre et de configuration du système. Nous analysons spécifiquement le choix du taux d’apprentissage dans la descente de gradient stochastique (SGD), un algorithme populaire. Comme objectif secondaire, nous tentons de découvrir des points fixes en utilisant le lissage du paysage des pertes en exploitant des hypothèses sur sa distribution pour améliorer la règle de mise à jour dans SGD. Il a été démontré que le lissage du paysage des pertes rend la convergence possible dans les systèmes à grande échelle et les problèmes difficiles d’optimisation de la boîte noire. Cependant, nous utilisons des gradients de valeur stochastiques (SVG) pour lisser le paysage des pertes en apprenant un modèle de substitution, puis rétropropager à travers ce modèle pour découvrir des points fixes sur la tâche réelle que SGD essaie de résoudre. De plus, nous construisons un environnement de gym pour tester des algorithmes sans modèle, tels que Proximal Policy Optimization (PPO) en tant qu’optimiseur d’hyperparamètres pour SGD. Pour les tâches, nous nous concentrons sur un problème de jouet et analysons la convergence de SGD sur MNIST en utilisant des méthodes d’apprentissage par renforcement sans modèle et basées sur un modèle pour le contrôle. Le modèle est appris à partir des paramètres du véritable optimiseur et utilisé spécifiquement pour les taux d’apprentissage plutôt que pour la prédiction. Dans les expériences, nous effectuons dans un cadre en ligne et hors ligne. Dans le cadre en ligne, nous apprenons un modèle de substitution aux côtés du véritable optimiseur, où les hyperparamètres sont réglés en temps réel pour le véritable optimiseur. Dans le cadre hors ligne, nous montrons qu’il y a plus de potentiel dans la méthodologie d’apprentissage basée sur un modèle que dans la configuration sans modèle en raison de ce modèle de substitution qui lisse le paysage des pertes et crée des gradients plus utiles lors de la rétropropagation.