Credible Judgment: Combining Truth, Beauty, and Justice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The research summarized in this chapter provides descriptive evidence to support House's vision of validity by expanding connections with his theory to a wide variety of professions, in addition to professional evaluators. Perhaps these results and discussion of them and the emerging model will invite professionals to reflect upon ways to improve their own evaluative judgments. Case study interviews were conducted in Canada and the United States with 27 professionals from many helping professions, including law and law enforcement, social work, medicine, education, business, sports, and chaplaincy. Participants were asked to discuss examples of successful and less successful evaluative judgments they had made in their professional work. Citing patterns discovered through analysis of these contrasting examples, we linked their experiences to House's framework regarding truth, beauty, and justice as foundations for validity. This research thus generated a descriptive model of a process to produce credible evaluation judgments with six interacting elements: (1) credible judgments evolve through an iterative process; (2) frameworks, protocols, and methods may help professionals generate valid evidence, but they are often not sufficient; (3) stakeholders’ involvement is essential, and how they participate varies depending on the circumstances; (4) the path required to generate a credible judgment is rarely linear; (5) credible judgment is based on strong argumentation that is properly developed and aesthetically presented; (6) the production of credible judgments depends on special dispositions, orientations, or qualities of the professionals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle