L’analyse des données biographiques au moyen des modèles linéaires à effets aléatoires. Le cas des carrières des acteurs professionnels
Bibliographic record
Abstract
Les démographes font aujourd'hui un usage abondant des microdonnées longitudinales. Pour les analyser, ils utilisent généralement un ensemble de techniques et de modèles regroupés sous le nom d'analyse des biographies. Les modèles linéaires utilisés dans ce contexte appartiennent à la famille des modèles à risques proportionnels dont le plus courant est le modèle semi-paramétrique à risques proportionnels. Malgré leurs qualités, ces modèles ne permettent que l'étude des processus qui peuvent être décrits et mesurés facilement comme des suites d'états ou de changements d'état. Les auteurs montrent comment on peut utiliser deux modèles linéaires à effets aléatoires — le modèle logit à effets aléatoires et le modèle tobit à effets aléatoires — pour étudier des phénomènes longitudinaux comme l'évolution, au fil du temps, de l'appartenance à l'une ou l'autre des deux catégories d'une variable dépendante binaire, et l'évolution, au fil du temps, d'une variable continue dont une partie de la distribution n'est pas observée. L'approche est appliquée à l'étude de la dynamique des carrières des acteurs professionnels français.
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 | 0.026 | 0.163 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.008 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.020 | 0.005 |
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".