L’analyse inductive générale :description d’une démarche visant à donner un sensà des données brutes
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.
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 | 0.036 | 0.068 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.004 |
| Bibliometrics | 0.007 | 0.006 |
| Science and technology studies | 0.004 | 0.015 |
| Scholarly communication | 0.011 | 0.015 |
| Open science | 0.005 | 0.009 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.015 | 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".