La question de l’usage des écrans et la santé des jeunes : une vigilance raisonnée, une éducation préventive...
Bibliographic record
Abstract
une vigilance raisonne, une ducation prventive... Formation et profession 27(3), 2019 13 C HRONIQUE Technologies en ducation Cigognes, corrlations et causalit Saviez-vous que la lgende alsacienne de la cigogne porteuse de bbs est apparue vers 1850? Selon cette fable galement appele Kinderbrunnen, ou puits enfants, les femmes qui souhaitaient enfanter devaient faire un voeu, entendu par un lutin barbe blanche, au-dessus de ce puits. On prtend aussi qu'au-dessous de la cathdrale de Strasbourg se trouvait un lac souterrain o s'amusaient les mes des enfants en attendant de venir au monde. Pour assouvir le souhait de ces dames dsireuses d' enfanter, le lutin qui voguait dans sa barque argente attrapait dlicatement un bb, l'aide d'un filet d' or, pour le dposer au bord du puits. C' est alors que la cigogne venait chercher le bb pour l'amener ses nouveaux parents et le dposer firement dans son berceau. C' est une jolie lgende qui s' est rpandue dans le monde entier, jusqu' en Extrme-Orient, mais il y a plus : il est possible, statistiquement parlant, de l'accrditer, du moins en Allemagne. C' est en effet ce qu' ont dmontr Hfer et ses collgues en 2004 (figure De nombreux autres chercheurs ont aussi dmontr la vracit de cette lgende par des tudes similaires. Concrtement, ces chercheurs ont corrl le nombre de naissances dans les maisons o des cigognes avaient fait leur nid sur la chemine de la maison familiale. Les corrlations trouves par les diverses tudes sont particulirement leves, montrant, hors de tout doute, que la lgende est vridique :
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.007 | 0.008 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".