L’ÉTUDE DE TRAJECTOIRES D’IMPLANTATION DE BAROMÈTRE, UN OUTIL NUMÉRIQUE VISANT À ACTUALISER L’APPROCHE DE PERSONNALISATION DES SERVICES SOCIAUX
Bibliographic record
Abstract
La personnalisation des services sociaux propose une approche de plus en plus valorisée dans les pratiques. Elle vise à offrir plus de choix et de contrôle aux personnes en misant sur leurs forces pour coproduire l’intervention. Pour accompagner le changement de culture qu’exige ce type d’approche, un outil d’intervention informatisé et interactif a été développé, nommé Baromètre. Comment une technologie numérique comme Baromètre peut-elle agir comme condition sociotechnique contribuant au changement de culture? Nous avons réalisé une recherche qualitative utilisant une stratégie d’étude de cas multiples. Quatre milieux de pratique nous ont servi d’observatoires : deux organismes communautaires en santé mentale, un département de psychiatrie et un centre de formation pour adultes. Trois types de collecte de données ont été utilisés : des entretiens individuels semi-directifs auprès des usagers, des entretiens d’explicitation de la pratique auprès d’intervenants pour produire des histoires d’utilisation, des entretiens de groupe auprès d’usagers et d’intervenants. Nous avons analysé les données au moyen d’un modèle des forces croisant quatre modes opératoires d’expérimentation : généraliste, expansionniste, particulariste et déliquescent. L’analyse permet d’observer une tendance à la déliquescence des expérimentations-pilotes. Or, la déliquescence n’est pas causée par la technologie en elle-même, mais par les conditions contextuelles des expérimentations.
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 | 0.034 | 0.086 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 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".