Cheminement et difficultés analytiques en méthodologie de la théorisation enracinée : expérience de deux doctorantes
Bibliographic record
Abstract
Les difficultés analytiques de la méthodologie de la théorisation enracinée (MTE) sont rarement abordées dans les écrits scientifiques. Comment mettre en oeuvre la MTE? Quelles sont les difficultés analytiques de la MTE rencontrées par les chercheurs novices? Cet article aborde des moments critiques vécus par les deux auteures au cours de l’analyse de leurs données de recherche doctorale suivant les principes de la MTE. L’objectif est de mettre en lumière des difficultés qui surviennent pour une majorité de chercheurs novices dans la réalisation d’une recherche qualitative employant un devis MTE ainsi que d’offrir des conseils notamment en lien avec la gestion de la panoplie de données, la saturation des données et la démarche itérative. Des exemples précis tirés du projet de doctorat des deux auteures sont partagés. Il en ressort que l’encadrement du directeur de thèse est primordial dans le cheminement analytique. Ceci rappelle que le mentorat est un élément important dans l’apprentissage 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 | 0.084 | 0.094 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.009 | 0.018 |
| Scholarly communication | 0.013 | 0.009 |
| Open science | 0.002 | 0.013 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.010 | 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".