Les réseaux de coauteurs : 40 ans de collaborations à la revue Criminologie
Bibliographic record
Abstract
La recherche scientifique cherche la plupart du temps à comprendre la nature mais se tourne aussi à l’occasion vers elle-même pour mieux comprendre la genèse des connaissances scientifiques. Cette quête s’est traduite par une littérature importante portant sur les réseaux de collaborations entre auteurs pour produire des textes scientifiques. L’objectif général de cette branche de recherche est d’expliquer la structure des collaborations et de déterminer les corollaires de la performance dans le monde universitaire. Cet article vise à combler un manque de connaissance sur les réseaux de collaboration francophones en étudiant 40 ans de collaborations entre auteurs de la revue Criminologie. La méthodologie adopte une approche égocentrique et sociométrique et caractérise les liens entre les coauteurs de la revue. Nos résultats démontrent une augmentation des collaborations dans le temps, mais sans nécessairement la création d’une seule et unique communauté d’auteurs qui contrôlerait la diffusion des connaissances dans la revue. Les acteurs clés sont présentés mais ne montrent aucune stabilité dans le temps.
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 | 0.021 | 0.045 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.012 | 0.007 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".