Comment évaluer des outils de mobilisation des connaissances web 2.0 ? Réflexions conceptuelles et méthodologiques
Bibliographic record
Abstract
Les outils web 2.0 (blogues, Facebook, Twitter) sont de plus en plus développés en milieu universitaire afin d’assurer une circulation plus fluide et rapide des connaissances théoriques, empiriques et pratiques entre les chercheurs, les décideurs, les intervenants et les citoyens (Boucher, 2015; Ducharme, Gaudet et Renaud, 2012; Lafleur, 2012). Ces outils visent généralement à accroître l’utilisation des connaissances émanant des milieux de recherche. Quelques ouvrages méthodologiques sont adaptés à l’évaluation d’outils web 2.0 de mobilisation des connaissances en milieu universitaire (Lafleur, 2012). Considérant que la pratique évaluative en est encore relativement récente dans ce domaine, il semble pertinent de partager notre expérience d’évaluation. En prenant appui sur l’évaluation de deux outils de mobilisation des connaissances (le blogue C’est malade! : www.cestmalade.uqam.ca et le Portail Internet et santé : www.blogsgrms.com/internetsante), cet article propose quelques pistes de réflexion et des assises conceptuelles et méthodologiques. Deux objets d’évaluation seront discutés : l’implantation d’outils web 2.0 et l’appréciation des premiers effets émanant de ces outils, notamment en termes d’utilisation de connaissances. L’objectif n’est pas de présenter de manière détaillée les données d’évaluation, mais plutôt la démarche adoptée et les apprentissages associés. L’article permet aussi de partager les défis et les bénéfices entourant cette expérience évaluative.
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 | 0.170 | 0.245 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.009 |
| Science and technology studies | 0.006 | 0.021 |
| Scholarly communication | 0.025 | 0.028 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 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".