Recruter de meilleurs échantillons en éducation
Bibliographic record
Abstract
Pour générer des conclusions valables, les études en éducation doivent reposer sur des échantillons de qualité. En plus d’être d’une taille suffisante, ces derniers doivent être représentatifs, c’est-à-dire être une version miniature de la population. Le présent article méthodologique décrit les défis liés au recrutement d’un échantillon de qualité étant donné l’impossibilité de recruter purement au hasard. Cette impossibilité découle des règles éthiques régissant les sciences sociales en général, incluant la recherche en éducation et en didactique. Nous avançons que malgré son utilité, la stratification (ex. : représenter les filles et les garçons dans des proportions réalistes) ne garantit pas la représentativité. Nous faisons également valoir que l’impératif de reproductibilité (c.-à-d. de démontrer que d’autres échantillons mènent à des résultats similaires) ne dispense pas les chercheurs de constamment s’efforcer de recruter les meilleurs échantillons possibles. À cette fin, l’article propose une stratégie en deux volets qui consiste à 1) définir un bassin de recrutement idéal en fonction des objectifs de recherche et 2) minimiser le taux de refus au sein de ce bassin. En général, les chercheurs ne devraient pas recourir à des échantillons de convenance dont l’unique mérite est d’être facilement accessibles.
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 | 0.018 | 0.052 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".