Titre/Suivre les traces d’une filature : exposer ses enjeux méthodologiques
Notice bibliographique
Résumé
La filature ( shadowing ) est une technique de collecte de donnees qui est encore peu mobilisee dans les contextes organisationnels. De fait, il y a peu d’etudes qui rendent concretement compte des implications propres a la filature video. C’est pourquoi je propose d’en suivre les traces a partir d’un cas precis : la filature video d’un nouvel officier des Forces armees canadiennes (FAC). Mon experience sur le terrain permettra d’exposer les enjeux methodologiques de cette technique. Je presente les particularites de la filature video eu egard au recrutement, a la captation video, au temps passe sur le terrain et aux relations avec les acteurs de l’organisation. J’invite aussi a poursuivre la discussion en abordant les enjeux pratiques de la filature. Shadowing is a data collection technique not frequently used in organizational contexts. In fact, there are only few studies concretely reflecting the implications of video shadowing. That is why I propose to follow the tracks of one specific case: the shadowing of a new Canadian Armed Forces’ officer (CAF). My field experience will expose the methodological challenges of this data collection technique. Indeed, I present the particulars of video shadowing in regard to recruitment, video recording, time spent in the field and relationship with organizational actor. I also calls for further discussion on the practical challenges of shadowing.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,079 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,005 | 0,016 |
| Communication savante | 0,016 | 0,015 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».