Making Sense of Belonging: Analytical Pathways, Bias Corrections, and What Statistics Can (and Cannot) Tell Us about Inclusion.
Notice bibliographique
Résumé
This methodological companion piece provides a practical and detailed account of the analytical choices underpinning my article Societal Factors Influencing the Sense of National Belonging: A Statistical Analysis of Residents in Canada (Keiff, 2025). Drawing on a nationally representative dataset, the guide reconstructs the step-by-step process of building a composite index of belonging using factor analysis, distinguishing between territorial and community anchors. It then presents the construction of an intersectional discrimination score via logistic regression, designed to capture the cumulative and intersecting nature of exclusion. It discusses how the analysis addresses selection bias, particularly the counterintuitive finding of lower belonging among highly educated individuals, through an instrumental variable approach. Throughout, the text explains not only the technical procedures but also the theoretical assumptions, limits, and interpretive challenges at each stage. It engages explicitly with methodological debates such as the “Table 2 fallacy” and the interpretation of statistical significance. Beyond the technical details, this guide demonstrates how quantitative models both reveal and obscure social structures and invites readers to consider the broader implications for public debate and inclusion policy. The aim is to provide a transparent, reproducible resource for those wishing to understand, critique, or extend the analytical pathway followed in the original article.
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 | 0,215 | 0,473 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,011 |
| Études des sciences et des technologies | 0,007 | 0,023 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».