Les collaborations interdisciplinaires : raisons et obstacles
Bibliographic record
Abstract
Les nombreux débats sur le sens et l’utilité de la recherche interdisciplinaire s’enferment souvent dans des questions de définitions ou de distinctions subtiles entre « pluridisciplinarité », « multidisciplinarité » « transdisciplinarité » ou même « métadisciplinarité ». Ces subdivisions n’offrent toutefois qu’un éclairage limité sur la réalité des pratiques interdisciplinaires. Les chercheurs entretiennent-ils avec l’interdisciplinarité des rapports différents selon qu’ils appartiennent ou non aux disciplines principales de leur établissement ? Sont-ils sensibles au fait que publier dans les revues d’une autre discipline n’étend guère leur rayonnement ? Les chercheurs qui s’engagent dans des projets interdisciplinaires poursuivent-ils tous les mêmes objectifs ? Quelle est pour eux la mesure du succès, et comment coopèrent-ils entre eux ? Quels obstacles rencontrent-ils et qu’attendent-ils de leurs administrations ? Notre analyse porte sur les intérêts des chercheurs à réaliser des projets interdisciplinaires, sur leur perception des obstacles qui entravent l’atteinte de leurs objectifs, et sur les contraintes organisationnelles. Au-delà des différences liées aux étapes de la carrière, les chercheurs qui choisissent d’investir dans des collaborations intersectorielles s’entendent sur une revendication précise : celle d’un desserrement des contraintes académiques à court terme qui inhibent l’exploration interdisciplinaire, par essence plus incertaine et plus lente.
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 | 0.111 | 0.119 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.005 | 0.009 |
| Science and technology studies | 0.020 | 0.042 |
| Scholarly communication | 0.039 | 0.049 |
| Open science | 0.006 | 0.037 |
| Research integrity | 0.011 | 0.011 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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".