Exemplification méthodologique d'une analyse de classes latentes avec R
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
Plusieurs phénomènes d’intérêt en sciences humaines ne peuvent être observés ni mesurés directement, ce qui nécessite le recours à des analyses statistiques permettant de faire émerger ces concepts latents. L’analyse de classes latentes (ACL) permet de partager et de distinguer des sous-groupes non observables (latents) d’individus sur la base de leurs réponses à un ensemble d’indicateurs observables (manifestes). Cette analyse permet de mieux comprendre la variabilité au sein d’une population. Or, il existe peu d’informations, surtout en français, sur la procédure à suivre pour réaliser une ACL sur la plateforme R. Ce logiciel statistique est accessible gratuitement et comporte de nombreux avantages en ce qui a trait à la programmation d’analyses, à la visualisation des données ainsi qu’à la gestion des variables et de l’environnement de travail. L’objectif de cette communication orale est d’exemplifier la réalisation d’une ACL sur la plateforme R avec le package poLCA. Après une introduction sur l’origine et les principes de l’ACL, un tutoriel sur la réalisation d’une ACL avec R est présenté. Une situation hypothétique portant sur la perpétration de violence dans les relations amoureuses à l’adolescence est utilisée. La syntaxe R permettant de réaliser cette analyse est explicitée. La présentation des résultats de l’ACL ainsi que leurs interprétations sont également montrées. Cette communication orale vise à rendre plus accessibles les analyses statistiques parfois complexes, permettant à tout étudiant ou chercheur de développer sa compréhension de l’ACL ainsi que ses compétences en statistiques sur la plateforme R.
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 | 0.046 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
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