Bibliographic record
Abstract
Les auteurs du présent ouvrage aimeraient tout d'abord remercier leurs collègues et amis Adam Chapnick et Craig Stone, qui, les premiers, les ont encouragés à travailler à une adaptation française du manuel de rédaction en anglais qu'ils avaient eux-mêmes écrit et publié en 2008.Ce manuel doit énormément à son modèle original, dont il épouse d'ailleurs la structure et l'essentiel de l'argumentation.De même, le présent ouvrage a largement bénéficié des exposés et des cours de méthodologie qui ont été donnés dans le cadre des programmes d'enseignement du Collège des Forces canadiennes.En ce sens, ce manuel doit donc beaucoup aux étudiants de cet établissement.Nous voudrions remercier l'Académie canadienne de la Défense, et le colonel Bernd Horn, pour le soutien financier essentiel obtenu pour la réalisation de ce livre.Les auteurs aimeraient également remercier les cadres d'enseignement du Collège et, en particulier, Miloud Chennoufi pour son apport à l'amélioration stylistique de ce manuel.Merci également aux lieutenants-colonels Steve Jourdain et Kevin Brown pour leurs commentaires et suggestions afin d'améliorer et d'adapter le contenu en fonction des besoins de l'enseignement militaire.Nos remerciements vont aussi à Megan Sproule-Jones pour l'indexation du livre.À titre personnel, Éric Ouellet voudrait remercier sa conjointe Faith et ses enfants Stéphanie, Maxim et Alexandre pour la patience dont ils ont fait preuve pendant l'été de la rédaction de cet ouvrage.Pierre Pahlavi tient également à exprimer sa reconnaissance à sa conjointe Camille et à ses quatre enfants, Louis, Jana, Matthias et Greta, pour leur soutien moral et la patience qu'ils ont manifestés durant le processus de rédaction et de finalisation de ce projet.
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 | 0.020 | 0.126 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.006 | 0.005 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.016 | 0.010 |
| Open science | 0.005 | 0.012 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.281 | 0.201 |
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".