add edit suggestions from translation review

Co-authored-by: kellymccain28 <78891336+kellymccain28@users.noreply.github.com>

Author: avallecam

locale/fr/episodes/model-choices.Rmd

@@ -15,7 +15,7 @@ set.seed(33)
 
 :::::::::::::::::::::::::::::::::::::: questions
 
-- Comment choisir un modèle mathématique approprié pour mener à bien ma tâche d'analyse ?
+- Comment choisir un modèle mathématique approprié pour bien faire ma tâche d'analyse ?
 
 ::::::::::::::::::::::::::::::::::::::::::::::::
 
@@ -58,15 +58,15 @@ Il se peut qu'un modèle existe déjà pour la maladie que vous étudiez, ou qu'
 
 :::::::::::::::: solution
 
-### Avons-nous besoin d'un [déterministe](../learners/reference.md#deterministic) ou [stochastique](../learners/reference.md#stochastic) stochastique ?
+### Avons-nous besoin d'un modèle [déterministe](../learners/reference.md#deterministic) ou [stochastique](../learners/reference.md#stochastic) ?
 
 Les structures des modèles diffèrent en fonction de l'ampleur et de la nature de l'épidémie. Lorsque le nombre d'infections simulées est faible, la variation stochastique (c'est-à-dire le caractère aléatoire que nous pouvons définir mathématiquement) des résultats peut avoir une incidence significative sur le déclenchement ou non d'une épidémie. Les épidémies, qui sont généralement des événements localisés, peuvent être mieux modélisées à l'aide d'approches stochastiques afin de saisir l'incertitude de la dynamique de transmission précoce. Les épidémies, qui sont des événements à plus grande échelle, peuvent souvent être modélisées efficacement à l'aide d'approches déterministes, car la variation stochastique devient moins importante par rapport à la dynamique globale. Il est important de noter que les termes "flambée" et "épidémie" peuvent parfois être utilisés de manière interchangeable en fonction du contexte, les flambées étant parfois considérées comme des épidémies localisées.
 
 :::::::::::::::::::::::::
 
 :::::::::::::::: solution
 
-## Quel est le résultat qui vous intéresse ?
+## Quel est le résultat qui nous intéresse ?
 
 Le résultat d'intérêt est généralement une quantité mesurable dérivée du modèle mathématique. Il peut s'agir de
 
@@ -82,7 +82,7 @@ Le résultat d'intérêt est généralement une quantité mesurable dérivée du
 
 ## Comment la transmission est-elle modélisée ?
 
-Par exemple, [directes](../learners/reference.md#direct) ou [indirecte](../learners/reference.md#indirect), [aérien](../learners/reference.md#airborne) ou [à transmission vectorielle](../learners/reference.md#vectorborne).
+Par exemple, [directes](../learners/reference.md#direct) ou [indirecte](../learners/reference.md#indirect), [par voie aérienne](../learners/reference.md#airborne) ou [à transmission vectorielle](../learners/reference.md#vectorborne).
 :::::::::::::::::::::::::
 
 :::::::::::::::: solution
@@ -96,20 +96,20 @@ Pour une même infection ou un même type d'épidémie, il peut y avoir des diff
 
 ## Des interventions seront-elles modélisées ?
 
-Enfin, les interventions telles que la vaccination, la distanciation sociale ou les programmes de traitement peuvent présenter un intérêt. Les capacités d'intégration des interventions varient d'un modèle à l'autre :
+Il se peut que nous nous intéressions aux interventions telles que la vaccination, la distanciation physique ou les programmes de traitement. Les capacités d'intégration des interventions varient d'un modèle à l'autre :
 
-- Certains modèles peuvent simuler des interventions continues (par exemple, des programmes de vaccination continus).
+- Certains modèles peuvent simuler des interventions continues (par exemple, des programmes de vaccination délivrés en continu).
 - D'autres traitent les interventions discrètes (par exemple, les fermetures ponctuelles d'écoles).
-- Certains modèles n'intègrent pas du tout de capacités d'intervention
+- Certains modèles ne comprennent aucune fonctionnalité permettant de modéliser les interventions.
 
 Nous discutons des interventions en détail dans le tutoriel [Modélisation des interventions](../episodes/modelling-interventions.md).
 
 :::::::::::::::::::::::::
 
 ## Modèles disponibles en `{epidemics}`
 
-Le paquet R `{epidemics}` contient des fonctions permettant d'exécuter les modèles existants.
-Pour plus de détails sur les modèles disponibles, consultez le package [Guide de référence des "Fonctions de modèle"](https://epiverse-trace.github.io/epidemics/reference/index.html#model-functions). Tous les noms des fonctions des modèles commencent par `model_*()`. Pour savoir comment exécuter les modèles dans R, lisez le document suivant [Vignettes sur les "Guides pour les modèles de la bibliothèque"](https://epiverse-trace.github.io/epidemics/articles/#guides-to-library-models).
+Le package R `{epidemics}` contient des fonctions permettant d'exécuter les modèles existants.
+Pour plus de détails sur les modèles disponibles, consultez le package [Guide de référence des "Fonctions de modèle"](https://epiverse-trace.github.io/epidemics/reference/index.html#model-functions). Tous les noms des fonctions des modèles commencent par `model_*()`. Pour apprendre comment exécuter les modèles dans R, lisez le document suivant [Vignettes sur les "Guides pour les modèles de la bibliothèque"](https://epiverse-trace.github.io/epidemics/articles/#guides-to-library-models).
 
 ::::::::::::::::::::::::::::::::::::: challenge
 
@@ -141,13 +141,13 @@ Réfléchissez aux questions suivantes :
 ::::::::::::::::: solution
 
 - Quelle est l'infection ou la maladie concernée ? **Ebola**
-- Faut-il un modèle déterministe ou stochastique ? **Un modèle stochastique nous permettrait d'explorer les variations aux premiers stades de l'épidémie**
+- Faut-il un modèle déterministe ou stochastique ? **Un modèle stochastique nous permettrait d'étudier les variations au cours des premières phases de l'épidémie**
 - Quel est le résultat qui vous intéresse ? **Nombre d'infections**
 - Des interventions seront-elles modélisées ? **Non**
 
 #### `model_default()`
 
-Un modèle SEIR déterministe avec une transmission directe spécifique à l'âge.
+Un modèle SEIR (S: susceptible, E: exposé; I: infectieux; R: récupéré) déterministe avec une transmission directe spécifique à l'âge.
 
 ```{r diagram, echo=FALSE, message=FALSE}
 DiagrammeR::grViz("digraph {
@@ -172,18 +172,18 @@ DiagrammeR::grViz("digraph {
 
   # edges
   #######
-  S -> E [label = ' infection \n(transmissibility β)']
-  E -> I [label = ' onset of infectiousness \n(infectiousness rate α)']
-  I -> R [label = ' recovery \n(recovery rate γ)']
+  S -> E [label = ' infection \n(transmissibilité β)']
+  E -> I [label = ' début de la contagiosité \n(taux de contagiosité α)']
+  I -> R [label = ' récupération \n(taux de récupération γ)']
 
 }")
 ```
 
-Le modèle est capable de simuler une épidémie de type Ebola, mais comme il est déterministe, nous ne sommes pas en mesure d'explorer les variations stochastiques dans les premières phases de l'épidémie.
+Le modèle est capable de simuler une épidémie de type Ebola, mais comme il est déterministe, nous ne sommes pas en mesure d'étudier les variations stochastiques au cours des premières phases de l'épidémie.
 
 #### `model_ebola()`
 
-Un modèle stochastique SEIHFR (Susceptible, Exposed, Infectious, Hospitalised, Funeral, Removed) développé spécifiquement pour la maladie à virus Ebola. Le modèle comprend des compartiments uniques pour les états Hospitalisé et Funéraire, qui sont essentiels pour comprendre la dynamique de transmission du virus Ebola en raison du risque élevé de transmission dans les établissements de soins de santé et pendant les pratiques funéraires traditionnelles. Le modèle présente une stochasticité dans les temps de passage entre les états, qui sont modélisés comme des distributions d'Erlang.
+Un modèle stochastique SEIHFR (Susceptible, Exposé, Infectieux, Hospitalisé, Funéraire, Retiré) développé spécifiquement pour la maladie à virus Ebola. Le modèle comprend des compartiments pour les états Hospitalisé et Funéraire, qui sont essentiels pour comprendre la dynamique de transmission du virus Ebola en raison du risque élevé de transmission dans les établissements de soins de santé et pendant les pratiques funéraires traditionnelles. Le modèle présente une stochasticité dans les temps de passage entre les états, qui sont modélisés avec des distributions d'Erlang.
 
 Les paramètres clés affectant la transition entre les états sont les suivants :
 
@@ -192,7 +192,7 @@ Les paramètres clés affectant la transition entre les états sont les suivants
 - $\rho^E$ la période préinfectieuse moyenne,
 - $p_{hosp}$ la probabilité d'être transféré dans le compartiment hospitalisé.
 
-\*\*Note : la relation fonctionnelle entre la période préinfectieuse ($\rho^E$) et le taux de transition entre exposé et infectieux ($\gamma^E$) est la suivante $\rho^E = k^E/\gamma^E$ où $k^E$ est la forme de la distribution d'Erlang. De même, pour la période infectieuse $\rho^I = k^I/\gamma^I$. Pour plus de détails sur la formulation du modèle stochastique, reportez-vous à la section sur les [Modèle à temps discret de la maladie à virus Ebola](https://epiverse-trace.github.io/epidemics/articles/model_ebola.html#details-discrete-time-ebola-virus-disease-model) dans la vignette "Modélisation des réponses à une épidémie stochastique de virus Ebola". \*\*
+\*\*Note : la relation fonctionnelle entre la période préinfectieuse ($\rho^E$) et le taux de transition entre exposé et infectieux ($\gamma^E$) est la suivante $\rho^E = k^E/\gamma^E$ où $k^E$ est le paramètre de forme de la distribution d'Erlang. De même, pour la période infectieuse $\rho^I = k^I/\gamma^I$. Pour plus de détails sur la formulation du modèle stochastique, vous pourriez regarder la section sur les [Modèle à temps discret de la maladie à virus Ebola](https://epiverse-trace.github.io/epidemics/articles/model_ebola.html#details-discrete-time-ebola-virus-disease-model) dans la vignette "Modélisation des réponses à une épidémie stochastique de virus Ebola". \*\*
 
 ```{r, echo=FALSE, message=FALSE}
 DiagrammeR::grViz("digraph {
@@ -220,11 +220,11 @@ DiagrammeR::grViz("digraph {
   # edges
   #######
   S -> E [label = ' infection (β)']
-  E -> I [label = ' onset of \ninfectiousness (γ E)']
-  I -> F [label = ' death (funeral) \n(γ I)']
-  F -> R [label = ' safe burial (one timestep) ']
+  E -> I [label = ' début de la\ncontagiosité (γ E)']
+  I -> F [label = ' mort (funérailles) \n(γ I)']
+  F -> R [label = ' enterrements dignes et sécurisés (un pas de temps) ']
   I -> H [label = ' hospitalisation (p hosp)']
-  H -> R [label = ' recovery or safe burial \n (γ I)']
+  H -> R [label = ' récupération ou enterrements dignes et sécurisés \n (γ I)']
 
   subgraph {
     rank = same; I; F;
@@ -235,7 +235,7 @@ DiagrammeR::grViz("digraph {
 }")
 ```
 
-Le modèle comporte des paramètres supplémentaires décrivant le risque de transmission dans les hôpitaux et les établissements funéraires :
+Le modèle comporte des paramètres supplémentaires décrivant le risque de transmission dans les hôpitaux et les les funérailles :
 
 - $p_{ETU}$ la proportion de cas hospitalisés contribuant à l'infection de personnes sensibles (ETU = unités de traitement du virus Ebola),
 - $p_{funeral}$ la proportion de funérailles au cours desquelles le risque de transmission est le même que pour les personnes infectieuses dans la communauté.
@@ -248,11 +248,11 @@ Ce modèle étant stochastique, il constitue le choix le plus approprié pour é
 
 ::::::::::::::::::::::::::::::::::::: callout
 
-### Dois-je utiliser un modèle mathématique ?
+### Devrais-je utiliser un modèle mathématique ?
 
-Les modèles mathématiques peuvent être utilisés pour générer des trajectoires de maladie, qui peuvent ensuite être utilisées pour calculer la taille finale de l'épidémie. Si seule la taille finale vous intéresse, il est possible d'utiliser la théorie mathématique pour calculer directement cette quantité, sans avoir à simuler le modèle complet et à déterminer le nombre d'individus infectés. Ces calculs mathématiques sont effectués à l'aide de fonctions R dans le paquetage `{finalsize}`.
+Les modèles mathématiques peuvent être utilisés pour générer des trajectoires de maladie, qui peuvent ensuite être utilisées pour calculer la taille finale de l'épidémie. Si seule la taille finale vous intéresse, il est possible d'utiliser la théorie mathématique pour calculer directement cette quantité, sans avoir à simuler le modèle complet puis déterminer le nombre d'individus infectés. Ces calculs mathématiques sont effectués à l'aide de fonctions R dans le paquetage `{finalsize}`.
 
-L'avantage d'utiliser `finalsize` est que moins de paramètres sont nécessaires. Il vous suffit de définir la transmissibilité et la sensibilité de la population, ainsi qu'une matrice de contacts sociaux le cas échéant, plutôt que des paramètres tels que la période infectieuse, qui sont nécessaires dans le cadre de l {epidemics} pour simuler la dynamique dans le temps. Consultez la page [vignettes du paquet](https://epiverse-trace.github.io/finalsize/articles/finalsize.html) pour plus d'informations sur l'utilisation de `finalsize` pour calculer la taille de l'épidémie.
+L'avantage d'utiliser `finalsize` est que moins de paramètres sont nécessaires. Il suffit de définir la transmissibilité et la susceptibilité de la population, ainsi qu'une matrice de contacts si pertinent, plutôt que des paramètres tels que la période infectieuse, qui sont nécessaires dans le cadre du package {epidemics} pour simuler la dynamique dans le temps. Consultez la page [vignettes du paquet](https://epiverse-trace.github.io/finalsize/articles/finalsize.html) pour plus d'informations sur l'utilisation de `finalsize` pour calculer la taille de l'épidémie.
 
 ::::::::::::::::::::::::::::::::::::::::::::::::
 
@@ -269,7 +269,7 @@ Vous avez été chargé de générer les trajectoires initiales d'une épidémie
 
 - Taille de la population : 14 millions
 - Nombre initial d'individus exposés : 10
-- Nombre initial de personnes infectieuses : 5
+- Nombre initial d'individus infectieux : 5
 - Durée de la simulation : 120 jours
 - Valeurs des paramètres :
   - $R_0$ (`r0`) = 1.1,
@@ -285,12 +285,12 @@ Vous avez été chargé de générer les trajectoires initiales d'une épidémie
 ### Code pour les conditions initiales
 
 ```{r}
-# set population size
+# définir la taille de la population 
 population_size <- 14e6
 
 E0 <- 10
 I0 <- 5
-# prepare initial conditions as proportions
+# préparer les conditions initiales sous forme de proportions.
 initial_conditions <- c(
   S = population_size - (E0 + I0), E = E0, I = I0, H = 0, F = 0, R = 0
 ) / population_size
@@ -312,7 +312,7 @@ guinea_population <- population(
 
 ### Indice : simulations de modèles multiples
 
-Adaptez le code de la [la prise en compte de l'incertitude](../episodes/simulating-transmission.md#accounting-for-uncertainty) de l'incertitude
+Adaptez le code de la section [prise en compte de l'incertitude](../episodes/simulating-transmission.md#accounting-for-uncertainty) 
 
 ::::::::::::::::::::::
 
@@ -354,7 +354,7 @@ output %>%
 
 2. Exécutez le modèle 100 fois et représentez la moyenne, les quantiles supérieurs et inférieurs à 95 % du nombre d'individus infectieux en fonction du temps.
 
-Nous exécutons le modèle 100 fois avec l'option *même* valeurs des paramètres.
+Nous exécutons le modèle 100 fois avec les *même* valeurs des paramètres.
 
 ```{r}
 output_replicates <- model_ebola(