Au delà de l’opposition quantitatif/qualitatif. Convergence des opérations de la recherche en analyse du discours
Bibliographic record
Abstract
Après avoir montré que l’analyse du discours n’est pas une discipline, mais un champ de pratique qui se situe à la confluence d’un ensemble de traditions disciplinaires et nationales, nous proposons de renoncer à l’opposition tranchée entre approches qualitative et quantitative au profit de la mixité des méthodes. Non seulement la pratique de la recherche montre qu’il ne saurait y avoir une mutuelle exclusion des types de méthodes, mais ces dernières se réfèrent à un schème commun de la connaissance qui mobilise des opérations partagées de la recherche. Nous montrerons qu’expliquer et comprendre ne sont pas des processus contradictoires et que l’interprétation scientifique ne peut tenir indépendamment de toute opération explicative. Toute démarche scientifique, qualitative ou quantitative, repose sur un fond commun mobilisant des opérations d’identification des unités de la recherche, de leur description et de leur analyse. S’il est vrai que les paradigmes analytiques divergent quant à leurs présupposés épistémologiques et méthodologiques, ils se trouvent confrontés au même problème de la réduction et de la restauration de la complexité. À titre d’exemple limite, nous illustrons en quoi les questions de la causalité et de la mesure se posent dans tout raisonnement scientifique.
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 | 0.048 | 0.069 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.006 | 0.062 |
| Scholarly communication | 0.023 | 0.026 |
| Open science | 0.003 | 0.011 |
| Research integrity | 0.006 | 0.011 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
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".