Dialogues entre théories spontanées et théories académiques de l’évaluation
Bibliographic record
Abstract
Théories de l’évaluation, oui, mais de qui et sur quoi ? Les auteurs partiront de l’hypothèse de Shadish, Cook, et Leviton (1991) selon laquelle il existerait à la fois des « théories spontanées » de l’évaluation chez les praticiens, ainsi que des « théories académiques » de l’évaluation dans la littérature. Cet article vise à mieux décrire, comparer et discuter les différentes théories de l’évaluation sur la base de cette distinction. Seront examinées tout d’abord les « théories spontanées » de l’évaluation, à travers les traces décelées chez des évaluateurs rencontrés à l’occasion d’une thèse. Les théories (formes, contenus) des praticiens seront analysées pour tenter d’en comprendre l’origine et le développement. Par la suite, cet article montrera qu’il existe aussi des tentatives d’avancer sur des « théories académiques » de l’évaluation dans la littérature. La forme, le contenu et le mode de constitution de ces théories seront réexaminés. Enfin seront discutés les atouts et les limites de chaque forme de théorisation de l’évaluation pour aboutir sur les liens qui peuvent unir les théories spontanées et les théories académiques de l’évaluation, en tentant de comprendre comment elles circulent et peuvent potentiellement s’enrichir les unes et les autres.
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 | 0.028 | 0.050 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.007 | 0.036 |
| Scholarly communication | 0.019 | 0.022 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.004 | 0.009 |
| Insufficient payload (model declined to judge) | 0.009 | 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".