Usages et mésusages des analyses factorielles exploratoires : un exemple à partir de la version courte-française du Questionnaire for Teacher Interaction (QTI)
Bibliographic record
Abstract
Les démarches de validation factorielle des questionnaires psychométriques traduits en français sont entachées par la présence de plusieurs faiblesses méthodologiques et statistiques. L’analyse factorielle exploratoire (AFE) est considérée parmi les méthodes d’extraction les plus utilisées pour vérifier la validité des construits des questionnaires en sciences humaines et sociales (Osborne et Costello, 2009). Néanmoins, la plupart des études basées sur les AFE sont marquées par des usages non appropriés ou des interprétations litigieuses de ce type d’analyses. Dans cet article, le Questionnaire on Teacher Interaction (QTI) a été utilisé comme exemple des questionnaires psychométriques traduits en français. Très récemment, ses démarches de validation factorielle ont fait l’objet d’une critique approfondie (Ben Alaya, Grenon, Desbiens et Bali, 2018). Pour avancer les recherches dans ce sens, nous avons comparé les résultats de deux démarches d’AFE : la première est inspirée des études antérieures ayant validé le QTI alors que la deuxième suit les étapes et les recommandations des spécialistes en AFE. En comparant les deux résultats, nous avons montré à quel point les décisions opérées et l’usage non approprié des AFE peuvent influencer le résultat et la solution factorielle trouvée.
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 | 0.135 | 0.255 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.010 | 0.010 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 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".