Accompagner les groupes de recherche collaborative : en quoi consiste ce « faire avec » ?
Bibliographic record
Abstract
Plusieurs recherches collaboratives (RC) privilégient l’utilisation du groupe restreint, comme modalité d’investigation dominante au service de cette double ambition qui la caractérise soit, la production de connaissances scientifiques et le développement professionnel des participants. Ainsi, chercheurs et praticiens se rencontrent dans ce lieu commun pour analyser ensemble des problèmes qui les préoccupent et qui sont issus de la vie quotidienne de ces praticiens. L’accompagnement de ces groupes et de leurs participants est un défi de tous les instants et joue un rôle crucial dans la réalisation d’une RC. Mais en quoi consistent plus précisément cette posture et ce travail d’accompagnement ? Prenant appui sur leurs différentes expériences de la RC et en particulier sur une démarche systématique qu’ils ont mise au point ces dernières années, les auteurs de cet article proposent des éléments de réponse à cette vaste question. Les savoirs relatifs à la RC en tant qu’approche méthodologique et ceux rattachés aux processus et visées de l’apprentissage expérientiel, en particulier, leurs permettent d’étudier les enjeux de l’accompagnement à partir de points d’attention qui guident le chercheur et lui servent de repères dans l’exercice de cette fonction.
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 | 0.048 | 0.076 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.012 | 0.016 |
| Scholarly communication | 0.018 | 0.017 |
| Open science | 0.004 | 0.015 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.015 | 0.005 |
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".