Introduction au calcul de la taille d’effet globale d’une intervention dans les méta-analyses en sciences de l’éducation
Bibliographic record
Abstract
Quand plusieurs études par comparaison de groupes (intervention et témoin) portent sur une même intervention en milieu scolaire, la synthèse de leurs résultats permet d’évaluer l’effet de cette intervention et de répondre aux attentes des praticiens, mais aussi d’orienter les recherches futures. C’est dans ce but que sont réalisées des synthèses quantitatives ou encore des méta-analyses. Pour chacune des études sélectionnées, une taille d’effet est calculée, qui est le g de Hedges (différence standardisée des moyennes des deux groupes) quand la variable à expliquer est un score post-test. La taille d’effet globale est alors estimée en suivant dans la plupart des cas le modèle des effets aléatoires. Enfin, pour conclure quant à l’intérêt de l’intervention, les tailles d’effet sont traduites en nombre de mois de progrès. Un exemple numérique est proposé pour faciliter la compréhension des modèles analytiques mis en oeuvre dans une méta-analyse pour les cas les plus simples.
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 | 0.304 | 0.507 |
| Meta-epidemiology (narrow) | 0.003 | 0.002 |
| Meta-epidemiology (broad) | 0.008 | 0.023 |
| Bibliometrics | 0.010 | 0.013 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 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 itClassification
machine, unvalidatedMachine predicted; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".