L’analyse de construits, une co-construction de groupe
Bibliographic record
Abstract
La recherche-action collaborative aspire à créer un espace d’apprentissage où les différents acteurs se trouvent engagés dans une réflexion critique et dynamique autour d’une situation qui les interpelle. Parce que ses outils de collecte et d’analyse sont distincts, ils se vivent en deux temps qui séparent la collecte de données de son analyse. En pareil cas, le chercheur agit, comme dans les autres modes de recherche, tel un extracteur de données qui reprend sa posture d’expert dès qu’il est question d’analyse et d’interprétation. Cette situation contredit la finalité même de la recherche-action collaborative, soit la co-construction de sens effectuée par et avec tous les acteurs. Or, différents outils issus des Systèmes d’analyse sociale2 (SAS2) (Chevalier et Buckles, sous presse) tentent de pallier cette contradiction en facilitant la co-construction de sens avec les participants. Un de ces outils, l’analyse de construits, encore peu exploité dans la recherche en éducation, est examiné dans cet article à l’aide d’un exemple tiré de la recherche. En cohérence avec le paradigme constructiviste de l’apprentissage, cet outil de réflexion guidée offre un espace dialogique où chacun des participants, chercheurs et acteurs confondus, contribue à l’explicitation et à l’avancée des connaissances par une analyse et une interprétation co-construites et de ce fait, ils sont plus susceptibles d’identifier quelles implications émergent pour une action future.
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 | 0.020 | 0.038 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.007 | 0.036 |
| Scholarly communication | 0.018 | 0.022 |
| Open science | 0.003 | 0.013 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 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".