Traduction et validation du Questionnaire sur l’engagement dans les activités signifiantes
Bibliographic record
Abstract
Description. Peu d’outils sont disponibles en français pour mesurer l’engagement dans des activités signifiantes, au cœur de l’ergothérapie. But. Cette étude visait à traduire l’Engagement in Meaningful Activities Survey et, ensuite, à vérifier la validité convergente et la cohérence interne de la version française. Méthodologie. Une traduction renversée a d’abord été réalisée. Pour ensuite évaluer la validité convergente du Questionnaire sur l’engagement dans des activités signifiantes (QEAS), l’Indice de la qualité de vie et la Mesure des habitudes de vie modifiée (participation sociale) ont été complétés par 84 adultes de la population générale. La cohérence interne a été mesurée avec l’alpha de Cronbach. Résultats. Un meilleur engagement dans les activités signifiantes est significativement associé à une qualité de vie ( r = 0,36; p = 0,001) et une satisfaction accrues envers la participation sociale (ρ = 0,40; p < 0,001). Le QEAS présente une bonne cohérence interne (∂ = 0,81). Conséquences. Le QEAS est un questionnaire valide qui permettra aux ergothérapeutes francophones de mieux comprendre l’engagement de leurs clients dans l’ensemble de leurs activités.
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 | 0.029 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".