Bibliographic record
Abstract
J'aimerais remercier Ed Bruning pour sa contribution à cette analyse des atouts et des faiblesses de la méthode d'enquête Les citoyens d'abord.Son intervention apporte des informations supplémentaires sur les modalités de gouvernance, la conception de l'instrument et l'administration de l'enquête.Il épingle quelques faiblesses supplémentaires, ainsi que certains atouts légitimes, que je n'ai pas examinés dans mon analyse de cette série d'enquêtes.Bruning et moi nous rejoignons sur bon nombre de points.Nous sommes d'accord sur le fait que les taux de réponse des enquêtes Les citoyens d'abord sont beaucoup trop faibles et que la pondération n'est pas une solution valable pour venir à bout du biais dû à la non-réponse.Nous nous rejoignons également sur le fait que l'analyse n'a pas confirmé les relations entre les variables présentées dans les premières versions des Citoyens d'abord et que ces relations ne cadraient pas avec la théorie sous-jacente.Enfin, nous laissons tous deux entendre que les affirmations causales sont trop catégoriques et peu nuancées, ce qui donne lieu à un tableau trompeur de la confiance que l'on peut placer dans les conclusions.Malgré ces points d'accord, j'aimerais aborder brièvement ce que dit Bruning au sujet des taux de réponse, de la causalité, des corrélations, de la subjectivité et de la politique ontologique.Taux de réponse Si Bruning est conscient de l'importance de la menace que représente le biais dû à la non-réponse dans Les citoyens d'abord, il minimise aussi le problème de plusieurs manières.Bruning fait observer qu'en raison de la non-réponse, l'échantillon final ne correspondait pas à la population car certaines provinces canadiennes étaient surreprésentées alors que d'autres étaient sous-représentées dans l'échantillon final.Il soutient qu'« en cas de différence mineure entre les proportions de la population et celles de l'échantillon, les généralisations à l'échelle de la population à partir de l'échantillon seraient possibles ».Bruning indique en outre que « [t]out n'est cependant pas perdu puisque l'on peut généraliser les observations à différents échantillons (provinciaux), ce qui est l'un des objectifs de chaque projet -(sic) offrir aux régions des relations qui se rapportent à leurs propres résidents ».Cosmo Howard est professeur adjoint au
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 | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.141 | 0.019 |
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".