On Using Harmonized Data in Statistical Analysis: Notes of Caution
Notice bibliographique
Résumé
This chapter aims at examining the main statistical issues that any researcher faces when generating and eventually analyzing a harmonized data set. We first present the challenges faced when combining the data. Three steps must be taken when combining data sets. We must select the appropriate data and measures. We must decide which analytical procedure(s) to use and, once these decisions have been taken, it is necessary to make sure that the analyses performed on the harmonized data set will not lead to biased results. How we deal with these issues often determines what we can – or cannot – do with the data set afterward. We tackle three issues that stem from analyzing harmonized data sets, that is dealing with time, with missing values, and with weighting. This chapter shows that there are so many differences between survey projects, including the questions asked, the way they are asked, and where and when they are asked, that any analysis has to carefully assess how these different aspects interact with each other before reaching firm conclusions on specific effects.
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 | 0,664 | 0,793 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,008 | 0,014 |
| Études des sciences et des technologies | 0,007 | 0,059 |
| Communication savante | 0,022 | 0,029 |
| Science ouverte | 0,017 | 0,015 |
| Intégrité de la recherche | 0,013 | 0,069 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».