Le diagnostic psychologique de l’enfant : de nos principes scientifiques à nos pratiques professionnelles
Bibliographic record
Abstract
Cet article vise à identifier les grands défis qui sont posés par le diagnostic psychologique de l’enfant et à formuler des recommandations pour le développement de la pratique dans ce domaine. À partir des données probantes et de l’usage actuel de l’examen multiméthodes multi-informants, nous soutiendrons donc que le grand défi actuel n’est pas tant de faire appel à des techniques validées, mais d’intégrer les informations de l’examen dans une formulation de cas fidèle et valide. Étant donné le rôle majeur des biais de jugement auxquels nous sommes soumis, nous devons, en conséquence, développer une pratique probe de l’examen, fondé sur des garde-fous. Ces garde-fous s’appuient sur des compétences et une expérience autoréflexive que nous devons acquérir et maintenir en formation initiale et enrichir au cours de formations continues. Les cliniciens ont un grand rôle à jouer pour que les progrès scientifiques permettent une amélioration de la qualité du diagnostic psychologique de l’enfant.
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 | 0.090 | 0.191 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.010 | 0.005 |
| Science and technology studies | 0.005 | 0.028 |
| Scholarly communication | 0.013 | 0.016 |
| Open science | 0.004 | 0.007 |
| Research integrity | 0.007 | 0.015 |
| Insufficient payload (model declined to judge) | 0.003 | 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".