La recherche d’effectivité: nature, méthodes et rôle dans la validation des interventions fondées sur les preuves
Bibliographic record
Abstract
L’utilisation des Interventions Fondées sur les Preuves (IFP) est de plus en plus encouragée dans le domaine psychosocial, mais leur validation demeure controversée. La recherche sur les IFP est dominée par les études d’efficacité qui visent à tester les effets des interventions dans des conditions optimales. Cependant, les conclusions de ces études peuvent difficilement s’appliquer en pratique. La recherche d’efficacité doit être complétée par la recherche d’effectivité qui vise à tester les effets des interventions dans des conditions de la pratique courante (dans le « vrai monde »). Cet article vise à définir la recherche d’effectivité, à présenter ses principales stratégies de recherche et à dégager ses implications dans la validation des IFP. La recherche d’effectivité représente souvent un premier test de réalité pour une intervention survenant entre la recherche d’efficacité et le transfert éventuel de cette intervention de la recherche vers la pratique. Cette recherche exige un travail d’équilibriste entre des orientations méthodologiques contradictoires : maximiser la validité écologique, la validité externe et l’utilité pratique des résultats et, d’autre part, préserver un bon niveau de validité interne. Réussir cet équilibre permet de produire une preuve pertinente, applicable, généralisable, mais aussi robuste quant aux effets d’une intervention dans un contexte de pratique courante. La recherche d’effectivité est dorénavant incontournable et mérite d’être priorisée au Québec comme ailleurs.
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 | 0.418 | 0.542 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.005 | 0.005 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.004 | 0.018 |
| Scholarly communication | 0.013 | 0.010 |
| Open science | 0.006 | 0.007 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.007 | 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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".