Bibliographic record
Abstract
Cet article, qui se veut très pratique, concerne les procédures d’analyse qui peuvent être adoptées pour le traitement de données provenant d’entretiens de groupe, dispositif qui permet de colliger des données spécifiques, issues des interactions entre différents partenaires. L’instrument, fréquemment utilisé en recherche-action, en recherche formation, ou en recherche évaluative l’est moins dans des recherches qualitatives plus classiques. Il nous semble que l’analyse des données, bien que ressemblant à celle faite pour les entretiens individuels s’en distingue à plusieurs égards. À cet effet, nous traitons des aspects spécifiques quant à la préparation de la collecte des données et des questions préalables qui doivent être considérées par le chercheur. Puis, nous abordons les étapes du traitement des données en précisant les différentes options qui se présentent au chercheur. Nous terminons en proposant des pistes pour assurer la qualité du travail d’analyse.
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 | 0.043 | 0.174 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.010 | 0.009 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".