Recruter de meilleurs échantillons en éducation
Notice bibliographique
Résumé
Pour générer des conclusions valables, les études en éducation doivent reposer sur des échantillons de qualité. En plus d’être d’une taille suffisante, ces derniers doivent être représentatifs, c’est-à-dire être une version miniature de la population. Le présent article méthodologique décrit les défis liés au recrutement d’un échantillon de qualité étant donné l’impossibilité de recruter purement au hasard. Cette impossibilité découle des règles éthiques régissant les sciences sociales en général, incluant la recherche en éducation et en didactique. Nous avançons que malgré son utilité, la stratification (ex. : représenter les filles et les garçons dans des proportions réalistes) ne garantit pas la représentativité. Nous faisons également valoir que l’impératif de reproductibilité (c.-à-d. de démontrer que d’autres échantillons mènent à des résultats similaires) ne dispense pas les chercheurs de constamment s’efforcer de recruter les meilleurs échantillons possibles. À cette fin, l’article propose une stratégie en deux volets qui consiste à 1) définir un bassin de recrutement idéal en fonction des objectifs de recherche et 2) minimiser le taux de refus au sein de ce bassin. En général, les chercheurs ne devraient pas recourir à des échantillons de convenance dont l’unique mérite est d’être facilement accessibles.
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 | 0,018 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 ».