Analyse comparative des méthodes de collecte de données qualitatives utilisées auprès des adolescents
Bibliographic record
Abstract
Introduction : La recherche auprès des adolescents connaît un remarquable essor depuis une dizaine d’années, notamment dans le domaine des sciences infirmières. Objectif : Cet article a pour but de dresser un tableau des connaissances justifiant le recours aux méthodes qualitatives dans la collecte de données chez les adolescents. Méthode : Une revue des écrits a permis de repérer les articles pertinents (N : 27) issus des bases de données informatisées. Résultats : Bien que les études réalisées auprès des adolescents portent sur des sujets différents, leurs méthodes de collecte de données se ressemblent souvent. La plupart des études utilisent plus d’une technique pour concilier la rigueur scientifique et l’expression des adolescents. Pour comprendre un phénomène, son contexte et la signification accordée à l’expérience s’avèrent essentiels. Conclusion : Dans les recherches qualitatives s’intéressant aux adolescents, il importe d’utiliser des méthodes de collecte de données qui permettent de bien cibler l’expérience explorée et d’orienter et guider l’individu dans l’approfondissement de cette expérience pour favoriser l’émergence de son point de vue. Les méthodes de collecte de données basées sur la communication écrite doivent être complétées par d’autres davantage axées sur la communication orale afin d’en tirer des interprétations reflétant le plus fidèlement possible les points de vue des adolescents.
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 | 0.157 | 0.320 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.004 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".