Arrimer les pratiques d’animation avec les études sur les groupes et les réunions
Bibliographic record
Abstract
Cet article propose un arrimage entre différentes visions du groupe et des réunions, et des visées des interventions d’animation de réunions. Il répond à la problématique du manque d’intégration entre les études scientifiques et les publications de « savoir-faire ». Après avoir montré l’importance des groupes et des réunions dans les milieux organisés et présenté les convergences, il pose la réunion comme le passage obligé de l’intervention en milieu organisé et les interventions spécifiques à l’animation de ces réunions comme des micro-interventions de base. Il propose une articulation théorique qui permet l’identification de « champs d’intervention » se situant à la jonction d’une modélisation complexe du groupe et des réunions et d’une modélisation plus simple et prescriptive axée sur l’intervention. Cette articulation contribue à une meilleure intégration entre théories et pratiques, et ouvre de nouvelles pistes de recherche tant pour vérifier les arrimages proposés par le modèle que pour combler les manques éventuels dans les pratiques habituelles et favoriser l’émergence de nouvelles manières d’envisager la formation et le développement professionnel en animation.
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 | 0.021 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.021 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.003 | 0.010 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.017 | 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".