Anasynthèse, typologies des conceptions des universités et évaluation de leur performance
Bibliographic record
Abstract
Cet article s’inscrit dans le contexte des débats concernant la mission des universités et l’évaluation de leur performance. Il a pour objectif d’illustrer le recours au processus d’anasynthèse comme moyen de valider une typologie des conceptions des universités élaborée en vue d’évaluer leur performance. L’anasynthèse, terme formé des mots analyse et synthèse désignant le processus général de développement de modèles suggéré par Silvern en 1972, s’articule autour des étapes suivantes : l’analyse d’une situation de départ, l’élaboration d’une synthèse à partir de cette analyse, la formulation d’un prototype de modèle, la simulation ou validation de ce prototype en vue finalement de la formulation d’un modèle optimal. L’originalité de cette recherche et son apport à l’avancement des connaissances résident notamment dans le fait d’adapter l’anasynthèse à une validation rigoureuse et systématique d’un référentiel d’évaluation de l’enseignement supérieur. Tout en étant susceptible d’aider à la prise de décision en gestion, la typologie originale qui s’en est dégagée pourra servir de fondements à des recherches subséquentes propres à l’élaboration d’un modèle complet d’évaluation de la performance des universités.
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 | 0.009 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.010 |
| Science and technology studies | 0.004 | 0.013 |
| Scholarly communication | 0.016 | 0.015 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".