L’ÉTUDE DE TRAJECTOIRES D’IMPLANTATION DE BAROMÈTRE, UN OUTIL NUMÉRIQUE VISANT À ACTUALISER L’APPROCHE DE PERSONNALISATION DES SERVICES SOCIAUX
Notice bibliographique
Résumé
La personnalisation des services sociaux propose une approche de plus en plus valorisée dans les pratiques. Elle vise à offrir plus de choix et de contrôle aux personnes en misant sur leurs forces pour coproduire l’intervention. Pour accompagner le changement de culture qu’exige ce type d’approche, un outil d’intervention informatisé et interactif a été développé, nommé Baromètre . Comment une technologie numérique comme Baromètre peut-elle agir comme condition sociotechnique contribuant au changement de culture? Nous avons réalisé une recherche qualitative utilisant une stratégie d’étude de cas multiples. Quatre milieux de pratique nous ont servi d’observatoires : deux organismes communautaires en santé mentale, un département de psychiatrie et un centre de formation pour adultes. Trois types de collecte de données ont été utilisés : des entretiens individuels semi-directifs auprès des usagers, des entretiens d’explicitation de la pratique auprès d’intervenants pour produire des histoires d’utilisation, des entretiens de groupe auprès d’usagers et d’intervenants. Nous avons analysé les données au moyen d’un modèle des forces croisant quatre modes opératoires d’expérimentation : généraliste, expansionniste, particulariste et déliquescent. L’analyse permet d’observer une tendance à la déliquescence des expérimentations-pilotes. Or, la déliquescence n’est pas causée par la technologie en elle-même, mais par les conditions contextuelles des expérimentations.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».