La temporalité dans les analyses de médiation
Notice bibliographique
Résumé
L’analyse de médiation permet d’explorer un processus qui se déploie de façon séquentielle dans le temps. Toutefois, négliger la séquence temporelle entre les variables peut mener à d’importants biais statistiques. Afin d’éviter des problèmes méthodologiques et statistiques qui mènent à des conclusions erronées, il est crucial de connaître les spécificités inhérentes à l’analyse de médiation. Cet article décrit les limites courantes découlant des analyses de médiation et propose des solutions. Notamment, les analyses transversales ne sont pas adéquates, car un effet indirect correspond davantage à un effet temporel. Quant aux modèles longitudinaux, ceux-ci peuvent mener à des biais si les effets autorégressifs ou les effets intra et inter-sujets sont négligés. L’utilisation de solutions plus adéquates comme les courbes de croissances latentes et les modèles multiniveaux s’avèrent un choix judicieux pour examiner des effets indirects lorsque des données sont collectées à au moins trois temps de mesure.
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 | 0,195 | 0,439 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,009 | 0,012 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».