La rigueur en théorisation ancrée : une expérience doctorale
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
La rigueur en théorisation ancrée (TA) soulève beaucoup de questionnements chez les étudiants et les chercheurs qui s’intéressent à cette méthode. Les critères de qualité de la recherche qualitative en général sont souvent utilisés en TA alors que ceux-ci sont peu spécifiques. Ceci fait en sorte que très peu d’études par TA utilisent des critères de rigueur qui lui sont propres. Afin d’aider les étudiants et les chercheurs à mieux réfléchir quant à la rigueur scientifique, cet article présente une expérience vécue par une chercheure novice ayant réalisé une étude par TA dans le cadre de son projet doctoral. Le processus réflexif de l’étudiante entourant la rigueur en TA sera présenté selon huit dimensions et illustré à l’aide d’exemples : 1) la position philosophique; 2) le processus itératif et l’échantillonnage théorique; 3) la sensibilité théorique; 4) le processus amenant l’émergence d’une théorie; 5) la saturation théorique; 6) les critères de qualité propres à l’auteur ou aux auteurs de la TA choisie; 7) le niveau de théorie atteint; 8) la distinction entre une étude par TA et une étude descriptive utilisant des stratégies de TA.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.044 | 0.018 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.005 |
| Science and technology studies | 0.000 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.002 |
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 it