La constitution autochtone du Canada John Borrows, Québec : Presses de l'Université du Québec, 2020, pp. 478
Bibliographic record
Abstract
Variables instrumentales; il s'agit de prendre une cause antécédente de la variable explicative afin d'éviter les biais de sélection.• Observations répétées; elles peuvent servir à atténuer certaines formes de biais comme ceux de variables omises ou de sélections.• Modèle linéaire généralisé; il permet d'introduire des relations non linéaires et ainsi mieux mesurer les effets des variables explicatives sur la variable expliquée.Bref, ce manuel de méthodes quantitatives est particulièrement accessible.Il est disponible en libre accès incluant les bases de données que l'auteur utilise dans ses exemples.Une série d'exercices sont également mis à la disposition du lecteur afin de bien intégrer le matériel.Il est également accessible par le niveau de langage utilisé par Arel-Bundock, il n'est pas nécessaire d'avoir de grandes connaissances en mathématiques afin de comprendre le contenu.Les exemples donnés sont concrets et pertinents pour les chercheurs en sciences sociales, ceux-ci sont tirés de différentes revues scientifiques dans les domaines de l'économie, la science politique, etc. La partie informatique est également claire et bien expliquée; aucune expérience en programmation n'est requise pour recréer les exemples.Bien que ce volume soit une introduction aux méthodes quantitatives, certains sujets auraient mérité plus d'attention comme les problèmes entrainés par l'autocorrélation des termes d'erreurs ou encore lorsque les termes d'erreurs ont une variance différente (hétéroscédasticité). Présenter les différents tests pour détecter ces anomalies aurait été un bon complément.Dans l'ensemble, c'est une lecture éclairante et qui peut servir d'aide-mémoire pour tout chercheur en science sociale.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.063 | 0.004 |
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".