Créer et gérer une banque de données numérique : les défis méthodologiques et éthiques de la construction et de la pérennité de la Plateforme d’analyse de la régulation sociale du suicide au Québec (PARSSQ)
Bibliographic record
Abstract
Dans cet article nous abordons divers questionnements éthiques et méthodologiques auxquels nous avons été confrontés dans le développement, la conception et la pérennité d’une banque de données numérique sur le geste suicidaire au Québec sur plus de 250 ans d’histoire. Dans le cadre de cette réflexion, nous examinerons les enjeux liés au recueil, au codage et à la numérisation des données de même que ceux liés à la protection et au partage des données dès lors que cela touche au suicide. En effet, comment normaliser une réflexion sur le suicide sans banaliser voire possiblement encourager ce dernier ? Comment parler respectueusement des personnes suicidées et de leur entourage ? Par exemple, quel sort doit-on réserver aux photographies des défunts et des lieux de décès ? En d’autres mots, nous nous interrogerons plus globalement sur notre rôle de chercheur, notamment à l’égard de celles et ceux qui se sont enlevés la vie sans penser qu’un jour leurs dernières paroles, leur dernier geste seraient analysés et mis à jour par notre équipe de recherche.
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 | 0.075 | 0.100 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.010 | 0.036 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.004 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".