L’analyse inductive générale :description d’une démarche visant à donner un sensà des données brutes
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Le but de cet article est de décrire l’approche inductive générale d’analyse de données qualitatives telle que proposée par Thomas (2006). Cet article s’adresse autant aux étudiantschercheurs peu familiers avec cette approche qu’aux chercheurs expérimentés qui souhaitent avoir une vue d’ensemble de l’analyse inductive communément utilisée dans les études de nature qualitative et exploratoire. Les objectifs liés à l’utilisation de l’analyse inductive sont : (1) de condenser des données brutes dans un format résumé, (2) d’établir des liens entre les objectifs de la recherche et les catégories découlant de l’analyse des données brutes et (3) de développer un cadre de référence ou un modèle à partir des nouvelles catégories émergentes. Ce type d’analyse, qui permet de donner un sens à un corpus de données brutes, requiert un ensemble de procédures relativement simples qui seront détaillées dans le présent article. Notre objectif est de faciliter la tâche du chercheur qui désire produire des résultats respectant les critères de validité de la recherche qualitative en fonction des objectifs de recherche visés.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 it