L' analyse factorielle et son utilisation dans l’examen des phénomènes sociocomportementaux : quelques clarifications méthodologiques
Bibliographic record
Abstract
Parmi les diverses méthodes d’analyse des données, l’analyse factorielle a reçu une attention particulière de la part des chercheurs de plusieurs disciplines scientifiques. L’avènement des logiciels statistiques conviviaux permettant de procéder aisément à certaines analyses, par exemple, la validation de construit d’un instrument psychométrique, peut en partie expliquer cette popularité. Il s’avère toutefois que cette convivialité peut dans certains cas favoriser une utilisation inadéquate de l’analyse factorielle et que le choix des méthodes utilisées a peu évolué, malgré l’amélioration croissante des outils disponibles. L’objectif du présent article, qui ne prétend pas livrer une analyse exhaustive des considérations techniques relatives à ce type d’analyse, consiste à apporter quelques précisions permettant de prendre des décisions éclairées lorsque le choix d’une analyse factorielle est envisagé par un chercheur ou un étudiant-chercheur. Afin de guider la réflexion, une question précise est posée : est-il possible de faire une rotation oblique lors d’une analyse en composante principale? La réponse à cette question nécessite d’abord de distinguer certains concepts liés à l’analyse factorielle pour ensuite proposer quelques éléments de réponse.
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 | 0.125 | 0.224 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.008 | 0.012 |
| Science and technology studies | 0.004 | 0.013 |
| Scholarly communication | 0.018 | 0.012 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 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; 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".