L’approche réaliste pour l’évaluation de programmes et la revue systématique
Bibliographic record
Abstract
L’approche réaliste gagne en popularité auprès des chercheurs en sciences sociales, notamment auprès de ceux dont les objets de recherche sont complexes : programmes, projets ou politiques publiques qui visent à améliorer une situation sociale. En effet, l’approche réaliste a été récemment adaptée à la pratique de l’évaluation de programmes et à celle de la revue systématique. Ces pratiques de recherche ancrées dans le réalisme critique semblent mieux adaptées aux exigences du mouvement de la prise de décision ou de l’action fondée sur les preuves scientifiques. Pourtant, l’approche réaliste est encore peu utilisée et connue, particulièrement parmi les étudiants et les chercheurs francophones en évaluation. Le premier objectif de cet article est donc de présenter, de manière didactique, les fondements épistémologiques et les concepts clés de l’approche réaliste pour l’évaluation de programmes et la revue systématique. Le deuxième objectif est d’illustrer, par une étude de cas – celui d’une revue réaliste –, les apprentissages conceptuels et méthodologiques pour la pratique de l’évaluation réaliste. Cette démarche réflexive s’inscrit dans un mouvement de partage de connaissances et de pratiques sur l’approche réaliste.
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 | 0.113 | 0.130 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.007 | 0.006 |
| Science and technology studies | 0.007 | 0.030 |
| Scholarly communication | 0.035 | 0.027 |
| Open science | 0.004 | 0.012 |
| Research integrity | 0.010 | 0.013 |
| Insufficient payload (model declined to judge) | 0.025 | 0.007 |
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".