Titre/Suivre les traces d’une filature : exposer ses enjeux méthodologiques
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
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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