Bibliographic record
Abstract
Les recherches participatives (RP) ne sont plus à définir ou présenter (Anadon, 2007 ; Bednarz, 2013). Elles sont parvenues à s’imposer dans l’univers des recherches en sciences humaines et sociales comme une autre façon pertinente/valable de faire de la recherche qui tient compte des contextes des acteurs ou participants et de leurs perspectives (Bednarz, 2015 ; Morissette, et al., 2017), et ce, selon la spécificité des formes que peuvent prendre ces recherches (recherche-action, recherche collaborative, recherche partenariale, etc.). On peut, sans risque de se tromper, parler d’une maturité acquise par ce type de recherches conduites « avec » plutôt que « sur » les praticiens, qu’appelait de ses vœux Lieberman (1986). Cette maturité des RP appelle à une réflexion synthèse régulière sur leurs contributions théoriques et méthodologiques majeures ainsi que sur leurs nouveaux défis. C’est dans cet ordre d’idées que nous avons organisé, les 7 et 8 mai 2018, dans le cadre du congrès annuel de l’ACFAS qui se tenait à Chicoutimi, un colloque bilan réunissant des chercheurs d’horizons divers pour faire ensemble le point sur les aspects les plus importants des RP. Pour l’essentiel et sans être exhaustif, le bilan auquel nous avons convié les conférenciers qui, pour la plupart, ont accepté de contribuer à ce numéro thématique.
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 | 0.003 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.366 | 0.182 |
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".