Une théorie des seuils psychométriques à double contrôle d’erreur –Partie I : l’imprécision échantillonnale des centiles
Bibliographic record
Abstract
Les tests psychométriques sont appliqués à divers usages et pour différentes clientèles. Ils sont utilisés pour circonscrire la « personnalité » du répondant en obtenant un score sur chacune de quelques échelles descriptives, pour estimer l’aptitude d’une personne en vue d’une tâche et d’un rendement ciblés, pour repérer le risque de tentative suicidaire ou de commission d’un crime, etc. Ces tests, la plupart basés sur une échelle de mesure supposée quantitative, se caractérisent techniquement par leur fidélité, leur validité et leur appareil normatif, c’est-à-dire la norme ou les normes qui permettent au testeur de formuler un jugement comparatif à partir du score obtenu par la personne évaluée. C’est de la précision de ces normes, c’est-à-dire les seuils psychométriques ou seuils centiles, que traite le présent essai et donc, corrélativement, d’un aspect non négligeable de la valeur du jugement porté.
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 | 0.106 | 0.287 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.004 |
| Bibliometrics | 0.006 | 0.004 |
| Science and technology studies | 0.001 | 0.013 |
| Scholarly communication | 0.008 | 0.011 |
| Open science | 0.006 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".