Exemplification méthodologique d'une analyse de classes latentes avec R
Bibliographic record
Abstract
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 de documentation, 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 du présent article 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 fournie et explicitée en détails. Dans une visée de partage des connaissances, similaire à la philosophie de R, cet article peut servir de guide pour tout étudiant ou chercheur voulant développer sa compréhension de l'ACL et ses compétences en statistiques sur cette plateforme.
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 | 0.017 | 0.058 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.006 |
| Bibliometrics | 0.005 | 0.003 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.004 | 0.004 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.053 | 0.021 |
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".