Bibliographic record
Abstract
Ce chapitre commence par une introduction théorique définissant les différents registres de l’écrit (marquage, mise en texte, formalisation), l’ouvrage explorant surtout la mise en texte. Puis à propos de « l’écrire » dans le contexte de la PJJ il précise les concepts d’« ’activité » et de « travail ». L’observation de l’écrire, comme activité, dans les différents services étudiés (Milieu ouvert, Services d’assistance éducative auprès du tribunal, Placement collectif) montre que l’on ne peut établir qu’il y aurait une « écriture de métier ». Reprenant la question générale de la recherche – le contexte normatif et l’accélération des changements normatifs de la période 2003-2011 transforment-ils les conditions de production des écrits adressés au magistrat ? – l’auteur montre que si les contraintes, voire les charges augmentent, on n’assiste pas à une normalisation par standardisation managée : écrire est encore laissé à la « petite organisation personnelle » du professionnel. Enfin l’auteur s’arrête sur les difficultés que l’on pourrait dire communes au travail d’écrire au magistrat, difficultés à construire une continuité alors que le suivi des mineurs est diffracté, et à jongler avec les diverses temporalités (éducative, judiciaire, du jeune lui-même) qui situent le sens qu’il est possible d’énoncer et de transmettre au magistrat.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.053 | 0.015 |
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".