Comment des scientifiques en formation envisagent-ils leur propre participation dans la gestion de la pandémie de Covid-19 ?
Bibliographic record
Abstract
Les scientifiques ont pris une place importante dans la gestion de la pandémie de Covid-19. Dans ce contexte, nous nous sommes intéressés aux rôles que des scientifiques en formation s’attribuent dans la gestion de la pandémie, ici conçue comme une controverse sociotechnique ; aux groupes d’acteurs sociaux à qui ils s’associent alors qu’ils exercent ces rôles ainsi qu’aux manières dont elles et ils concilient ces identités multiples. Nous avons rencontré 12 scientifiques en formation en entrevue individuelle semi-dirigée. Ces personnes s’attribuent cinq rôles principaux dans le contexte de la pandémie : être respectueux des mesures sanitaires (comme citoyenne ou citoyen) ; montrer l’exemple (comme futur scientifique) ; contribuer à la gestion de la pandémie par l’entremise de leur emploi étudiant (comme travailleur essentiel) ou de leur formation précédente (comme travailleur de la santé) ; prendre soin de leurs proches (comme citoyen) ; s’informer (ou demeurer informé) et informer (comme citoyen ou comme futur scientifique). Certains des participantes et des participants présentent une identité fusionnée, d’autres une identité compartimentée, d’autres encore une identité dominante.
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 | 0.027 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.013 | 0.021 |
| Scholarly communication | 0.016 | 0.014 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.006 | 0.009 |
| Insufficient payload (model declined to judge) | 0.018 | 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".