Ce programme d’intervention produit-il vraiment des données probantes?
Bibliographic record
Abstract
La production et l’utilisation de données probantes sont au coeur des activités scientifiques et cliniques en psychoéducation, comme dans la plupart des disciplines en sciences humaines et de l’éducation. Or, qu’entend-t-on par ‘données probantes’ et plus encore, quels critères permettent d’avancer qu’un programme d’intervention préventive ou curative produit des données probantes? Cet article propose une grille d’analyse composée de critères pertinents à cette fin. Ces critères sont regroupés en cinq sections : les critères relatifs à la conception du programme ; les critères relatifs à la mise en oeuvre du programme ; les critères relatifs au choix du devis d’évaluation ; les critères relatifs au contrôle des sources d’invalidité interne ; et les critères relatifs à l’évaluation des effets. Ensemble, ces critères sont essentiels pour déterminer jusqu’à quel point les données obtenues à l’issue d’un processus d’évaluation d’un programme sont de nature probante. Une sixième section propose des critères relatifs à la diffusion du programme ; cette section est toutefois optionnelle pour l’obtention de données probantes.
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 | 0.071 | 0.150 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.006 | 0.007 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
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".