Bibliographic record
Abstract
Le présent article s’attache à montrer le bénéfice que peut tirer l’analyse de l’activité d’une meilleure connaissance de la notion de régulation souvent mal définie. À cette fin, il essaiera surtout de suggérer quelques pistes de travail et des moyens de les poursuivre. Il commencera par dégager quelques traits essentiels de cette notion et en proposera un modèle. Cette notion sera aussi articulée à celle de règle. La deuxième partie montre comment le modèle de régulation proposé permet d’éclairer l’analyse de l’activité, en même temps que celle-ci amène à enrichir ce modèle. Elle fera apparaître, notamment, la multiplicité des boucles de régulation susceptibles d’être exploitées dans l’exécution d’une tâche et le rôle important que peut jouer la métarégulation dans l’organisation de l’activité. La troisième partie, plus concrète, examinera quelques types d’usage de la régulation dans des études d’orientation ergonomique. Elle en donnera un petit historique, puis abordera des thèmes autour desquels se sont organisées de telles études, en particulier, la place des cadres temporels, les activités collectives et la formation. La conclusion reviendra sur l’intérêt d’un bon usage de la notion de régulation et indiquera quelques limites à son utilisation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.021 |
| Scholarly communication | 0.012 | 0.011 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".