spb/wp2_uqo

1<!-- Author: Simon-Pierre Boucher — simon-pierre.boucher@uqo.ca -->2# CHANGELOG — révision scientifique complète (editorial board, 2026-10-17)34Papier : **UQO WP 2 — Decoding Real Estate Descriptions** (v1.1, mai 2026 → **v1.2, octobre 2026**).5État de départ figé : tag git `pre-revision-20261017`, PDF `docs/main_pre-revision-20261017.pdf` (53 p., 86 réf.).6Rapport de l'editorial board : `docs/REVIEW-REPORT.md`. Les audits antérieurs (restructuration du 2026-08-05) restent dans7`docs/AUDIT.md`, `docs/CHANGES.md`, `docs/PAPER_REVIEW.md`, `docs/UPGRADE_REPORT.md`.89Règle suivie : aucun nombre du texte n'a changé sans un résultat recalculé par un script versionné ; les chiffres de la10v1.1 (modèles A–E, tables 2–8, figures 1–11) sont **reproduits à l'identique** et conservés comme « baseline ».1112## 1. Réanalyses exécutées (toutes locales, < 1 min hors téléchargement des modèles)1314| Script | Durée | Sorties | Contenu |15|---|---|---|---|16| `scripts/07_revision_extensions.py` (nouveau) + `src/extensions.py` (nouveau) | 25 s (encodage multilingue des 17 087 textes : 15 s) | `results/revision_language.csv`, `revision_language_by_dimension.csv`, `revision_specifications.csv`, `revision_spec_summary.csv`, `revision_block_tests.csv`, `revision_oos.csv`, `revision_reference_sensitivity{,_summary}.csv`, `revision_multilingual.csv` ; cache `data/processed/embeddings_multilingual.npy`, `revision_fields.csv` | (a) détection de la langue (stop-words FR/EN, règle 1,5) ; (b) 14 spécifications étendues : indicatrices de langue, EF RTA (415) et municipalité (1 061), erreurs groupées par RTA, taille de terrain convertie en m², sous-échantillon avec superficie habitable (6 228), sous-échantillons FR / EN, encodeur multilingue ; (c) tests de bloc par domaine ; (d) validation croisée 5 plis aléatoires et 5 plis groupés par RTA (R² OOS, RMSE, MdAPE) ; (e) sensibilité au libellé des références (3 perturbations) ; (f) ré-encodage avec `paraphrase-multilingual-MiniLM-L12-v2` |17| `scripts/08_revision_tables.py` (nouveau) | 3 s | `paper/tables/tab_language.tex`, `tab_spec_summary.tex`, `tab_extended_specs.tex`, `tab_block_tests.tex`, `tab_oos.tex`, `tab_reference_sensitivity.tex` ; `figures/fig12_specification_stability.{pdf,png}` | tables et figure générées (jamais tapées) |18| `scripts/06_tables.py` (modifié) | 1 s | `paper/tables/tab_descriptive.tex` | étiquette « Lot size (sq. ft.) » → « Lot size (raw field, mixed units) » + note sur les unités ; chiffres inchangés |1920Modèles téléchargés (HuggingFace, non versionnés) : `all-MiniLM-L6-v2` (~90 Mo, nécessaire à la sensibilité des références) et21`paraphrase-multilingual-MiniLM-L12-v2` (~470 Mo). Les embeddings baseline étaient en cache (`embeddings_maisons.npy`) ; les22embeddings multilingues sont mis en cache à leur tour.2324## 2. Corrections majeures (où / avant / après / pourquoi / preuve)2526| # | Où | Avant (v1.1) | Après (v1.2) | Pourquoi / preuve |27|---|---|---|---|---|28| 1 | Data §4.3, Intro, Résumé | « descriptions predominantly in French with occasional English phrases » | 57,6 % FR, 39,7 % EN, 2,7 % mixte ; prix médian EN 749 900 $ vs FR 499 900 $ | classification stop-words (`revision_language.csv`) ; vérifiée sur exemples |29| 2 | Data §4.4, Results §5.5–5.6 | corrélations bivariées négatives et corrélations inter-références « driven primarily by description length » | cause principale = langue : η² = 0,862 de la similarité moyenne, corr(PC1, anglais) = −0,82 vs corr(PC1, longueur) = 0,20 | `revision_language.csv` ; calcul PC1 |30| 3 | Résultats, Résumé, Intro | gain sémantique = ΔR² 0,047 (D vs B), « 9.3 % of explained variance » présenté sans réserve | ΔR² 0,017 avec indicatrices de langue ; 0,020 avec EF RTA ; 0,013 avec terrain m² ; 0,029 FR seul ; 0,024 EN seul ; multilingue 0,057/0,038/0,039/0,028 | `revision_spec_summary.csv` (Table « spec_summary ») |31| 4 | Discussion (Motivated Seller −8,5 % vs Levitt–Syverson 3,7 %) | discount d'urgence robuste, comparé à la littérature | −2,9 % non significatif avec la langue ; −4,0 %* intra-RTA ; 0,4 % avec l'encodeur multilingue → comparaison retirée, dimension classée non robuste | `revision_specifications.csv` ; écart FR/EN de similarité le plus grand (0,385 vs 0,076) |32| 5 | Discussion (New Construction) | « supported by the quantile regression results, which show a diminished negative effect at higher quantiles » | FAUX : coefficients −0,068 / −0,079 / −0,142 (τ = 0,25/0,50/0,75) → plus négatif en haut ; énoncé retiré ; signe positif (+7,2 %) avec l'encodeur multilingue | `results/robustness_results.csv` (déjà présent, non lu correctement en v1.1) |33| 6 | Results §5.4 | signes contre-intuitifs (Entry-Level +10,4 %, Premium Location −6,1 %, Energy Efficient −7,8 %, Bright & Spacious −8,9 %) **non discutés** | discutés comme signature de la colinéarité (Entry-Level/Motivated Seller r = 0,97) ; inversions documentées avec l'autre encodeur | Table 5 + `tab_extended_specs` |34| 7 | Intro, Results, Discussion | « semantic features … comparable to the gains from adding neighborhood controls (Sirmans et al. 2006 : 3–8 pp) » | retiré : affirmation non vérifiable dans Sirmans et al. (2006) ; nos propres EF RTA ajoutent ~15 pp vs 2 pp pour le texte | aucune statistique de ce type dans la méta-analyse citée |35| 8 | Results §5.1 | R² de 45 % « consistent with the typical range … (Sirmans et al. 2005) » | reformulé : benchmark volontairement pauvre, sans localisation ; les EF RTA seules portent le R² à ~0,65 | Sirmans et al. (2005) ne rapportent pas de R² typique |36| 9 | Data, Table 2 | « Lot size (sq. ft.) » | « Lot size (raw field, mixed units) » : 61 % m², 32 % pi², 2 % acres/ha, 4 % manquant ; variable conservée en baseline, remplacée par log(m²) + indicatrice en §7 | parsing de `Land.SizeTotal` ; hors échantillon le champ brut donne R² = −1,04 |37| 10 | Methodology | interprétation « par écart-type » affirmée sans formule ; test F sans df | Éq. (impact) 100(e^γ−1) par σ_s, équivalent γ/σ par unité de cosinus ; F(21, 17 059) ; Wald robustes/groupés | — |38| 11 | Methodology §3.7, Identification | trois canaux ; pas de mention de la séquence prix → texte | ajout : texte rédigé après fixation du prix par le même agent → prix et texte conjointement déterminés ; prix affichés = comportement vendeur/courtier | — |39| 12 | Methodology §3.4 | « dimensional specificity » revendiquée | reconnue imparfaite : chevauchements Land & Nature/Waterfront, Modern/New Construction/Energy Efficient, Premium Location/Family-Friendly (Annexe A) | lecture des textes de référence |40| 13 | Robustness §6.3 | Modern/Contemporary « remarkably stable across quantiles » | « larger at both tails than at the median » (0,148/0,121/0,155), cohérent avec la Table 6 | `robustness_results.csv` |41| 14 | Robustness §6.5 | bootstrap présenté comme validation complète de l'inférence | ajout : bootstrap par paires ignore la dépendance intra-RTA ; clustering en §7 (SE +50 % en moyenne, 22–107 %) | `revision_specifications.csv` |42| 15 | Résumé | « I show » / corps en « we » ; chiffres sans qualification | résumé réécrit (« we »), 3 qualifications (langue, sensibilité, associations) | — |43| 16 | Orthographe | mélange américain/britannique (neighborhood/neighbourhood, standardized…) | britannique/canadien partout dans les sections (clés de citation et .bib intacts) | — |44| 17 | Page titre | `\WPdate` May 2026, `\WPversion` 1.1 | October 2026, 1.2 ; mots-clés : + « text as data », « listing descriptions » (7) | protocole |4546Sections réécrites intégralement : introduction, méthodologie, données, résultats, robustesse, discussion, conclusion ;47section **7 « Extended Specifications and Validation »** ajoutée (`paper/sections/extended.tex`) ; littérature enrichie48(voir §3) ; annexe inchangée (tables A1–A2) ; tables manuelles `tab_robustness_summary` (10 lignes ajoutées) et49`tab_text_comparison` (ligne multilingue +0,069) mises à jour.5051## 3. Références5253- **Avant** : 86 entrées (toutes vérifiées lors de l'audit du 2026-08-05 via OpenAlex). **Après** : 94 entrées.54- **Vérifications 2026-10-17** (Crossref `api.crossref.org/works?query.bibliographic=` puis résolution DOI55  `doi.org` en content negotiation) des références clés citées dans le mandat : Nowak & Smith 2017 JAE 32(4) 896–91856  (10.1002/jae.2550) ✓ ; Shen & Ross 2021 JUE 121, 103299 ✓ ; Goodwin–Waller–Weeks 2014 JHR 23(2) ✓ et 2018 JHR 27(2) ✓ ;57  Pryce & Oates 2008 Housing Studies 23(2) ✓ ; Gentzkow–Kelly–Taddy 2019 JEL 57(3) ✓ ; Reimers & Gurevych 2019 ✓ ;58  Levitt & Syverson 2008 REStat 90(4) ✓ ; Zietz–Zietz–Sirmans 2007 JREFE 37(4) ✓ ; Ethayarajh 2019 ✓ ; Loughran–McDonald59  2011/2016 (déjà avec DOI).60- **Ajoutées (8, toutes avec DOI résolu)** :61  `nowak2021dictionaries` (Nowak, Price & Smith, JREFE 62(1), 10.1007/s11146-019-09740-w) ;62  `reimers2020multilingual` (EMNLP 2020, 10.18653/v1/2020.emnlp-main.365) ;63  `cameron2015practitioner` (JHR 50(2), 10.3368/jhr.50.2.317) ;64  `abadie2023when` (QJE 138(1), 10.1093/qje/qjac038) ;65  `roberts2017cross` (Ecography 40(8), 10.1111/ecog.02881) ;66  `hastie2009elements` (Springer, 10.1007/978-0-387-84858-7) ;67  `garcia2023colour` (JFE 147(3), 10.1016/j.jfineco.2022.11.006) ;68  `kelly2021measuring` (AER: Insights 3(3), 10.1257/aeri.20190499).69- **Retirées** : aucune. « Hausman–Taddy » (demandé à vérifier) : aucune publication conjointe trouvée sur Crossref → non ajoutée.70  « Garcia et al. » interprété comme García, Hu & Rohrer (2023), vérifié et ajouté.71- Citation de Sirmans et al. (2005, 2006) à l'appui de chiffres qu'ils ne contiennent pas : citations conservées pour ce72  qu'elles montrent (composition des modèles, méta-analyse), affirmations chiffrées retirées (corrections 7–8).7374## 4. Éléments non modifiés / non exécutés7576- Prix de transaction, panel temporel, variation intra-propriété, expériences A/B : données absentes → décrits comme non exécutés.77- Encodeur français dédié (CamemBERT/FlauBERT, non distillés pour la similarité) et références orthogonalisées : non exécutés (hors périmètre < 30 min ; recommandé).78- Superficie habitable disponible pour 36 % seulement : analyse sur sous-échantillon, pas d'imputation.79- Tables 2–8 et figures 1–11 : régénérées à l'identique ; aucune valeur changée (hormis l'étiquette de la ligne « Lot size »).80- `data/raw/louka.db` : toujours non versionné ; table `users` toujours présente (recommandation de la purger maintenue).81