Usages du quantitatif en méthodologie de la théorisation enracinée (MTE)
Bibliographic record
Abstract
La méthodologie de la théorisation enracinée (MTE) (Glaser & Strauss, 1967) est aujourd’hui reconnue comme une méthode inductive robuste et principalement qualitative (Corbin & Strauss, 2008; Luckerhoff & Guillemette, 2012c). En dépit de leur potentiel identifié par Glaser dès 1967, les usages du quantitatif en MTE demeurent peu répandus. Une recension des écrits nous a permis de dresser un état des lieux à cet égard. Notre recherche a été réalisée dans une approche inductive où les écrits ont constitué les données à analyser dans la perspective proposée par Tourigny Koné (2014). Nous présentons en ce sens les écrits de Glaser à ce propos, les critiques puis les appuis formulés à l’endroit de son projet de MTE quantitative, ainsi que l’analyse de 16 études qui mettent à l’oeuvre un volet quantitatif en MTE. Dans ces exemples, l’observation de la prescription centrale de Glaser de s’affranchir des réflexes et préoccupations du déductif reste mitigée. En effet, plusieurs tendent à s’éloigner des principes fondamentaux de la MTE.
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 | 0.134 | 0.218 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.009 | 0.009 |
| Science and technology studies | 0.004 | 0.030 |
| Scholarly communication | 0.016 | 0.016 |
| Open science | 0.004 | 0.010 |
| Research integrity | 0.003 | 0.008 |
| 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".