Ce programme d’intervention produit-il vraiment des données probantes?
Notice bibliographique
Résumé
La production et l’utilisation de données probantes sont au coeur des activités scientifiques et cliniques en psychoéducation, comme dans la plupart des disciplines en sciences humaines et de l’éducation. Or, qu’entend-t-on par ‘données probantes’ et plus encore, quels critères permettent d’avancer qu’un programme d’intervention préventive ou curative produit des données probantes? Cet article propose une grille d’analyse composée de critères pertinents à cette fin. Ces critères sont regroupés en cinq sections : les critères relatifs à la conception du programme ; les critères relatifs à la mise en oeuvre du programme ; les critères relatifs au choix du devis d’évaluation ; les critères relatifs au contrôle des sources d’invalidité interne ; et les critères relatifs à l’évaluation des effets. Ensemble, ces critères sont essentiels pour déterminer jusqu’à quel point les données obtenues à l’issue d’un processus d’évaluation d’un programme sont de nature probante. Une sixième section propose des critères relatifs à la diffusion du programme ; cette section est toutefois optionnelle pour l’obtention de données probantes.
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 | 0,071 | 0,150 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 ».