Les perceptions des environnements chez les piétons : utilisation qualitative et quantitative du support photographique pour saisir et comparer les espaces de marche. In S. Vincent-Geslin, J. Meissonnier, M. Rabaud, & V. Kaufmann (Eds.),Connaissance des mobilités: entre méthodes classiques et méthodes hybrides (à paraitre)
Bibliographic record
Abstract
L'objectif de ce chapitre est de montrer la polyvalence de cette méthode de photo-élicitation, la richesse des données qu'elle permet de produire et les opportunités d'hybridation méthodologique qu'elle offre, à partir de cinq études récentes. Dans les deux premières études présentées, la photo-élicitation, est utilisée dans une approche qualitative basée sur la méthode des groupes de discussion (focus groups). Dans la troisième étude présentée, la photo-élicitation est intégrée dans un contexte d'entretiens d'exploration critique. Dans les deux dernières études présentées, la photo-élicitation est utilisée dans le cadre d'enquêtes quantitatives par questionnaires. Pour chaque étude, nous reviendrons en détail sur l'utilisation de la méthode de photo-élicitation et nous illustrerons son intérêt par quelques-uns des résultats obtenus.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".