Bibliographic record
Abstract
L’autopraxéographie est une méthode qui permet à des chercheurs qui ont étés praticiens ou qui le sont encore, de construire des savoirs génériques. Ce papier a pour objet de montrer en quoi l’utilisation de réflexivités dans le cadre de cette méthode permet à la fois d’explorer, scientifiquement, de nouvelles avenues et de prendre du recul sur des situations difficiles. Pour ce faire, cette méthode à la première personne se positionne dans une épistémologie constructiviste pragmatique. Ainsi, la finalité du savoir construit n’est pas d’avoir une représentation fidèle de la réalité, mais de de donner du sens à des situations impliquant des représentations humaines. Cette méthode s’ancre également sur la distinction entre les notions de « reflectivity » et de « reflexivity ». L’autopraxéographie présente trois spécificités par rapport aux autres méthodes à la première personne. La première tient au paradigme épistémologique dans laquelle elle s’ancre. En effet, les connaissances produites ne sont ni nomothétiques, ni idiographiques (comme tel est le cas dans la plupart des méthodes à la première personne). La seconde découle de la première. En effet, pour pouvoir construire des savoirs génériques, cette méthode utilise une réflexivité externe basée sur une vaste littérature. La troisième provient de la nécessaire écriture au passé du témoignage. Ces spécificités permettent d’expliciter le processus méthodologique ainsi que ses limites. De ce fait, l’utilisation de multiples réflexivités permet au chercheur de prendre du recul par rapport à une expérience qui a pu être vécue difficilement et de construire des savoirs génériques qui pourront être actionnables.
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 | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.002 | 0.007 |
| Scholarly communication | 0.009 | 0.012 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.069 | 0.014 |
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".