Bibliographic record
Abstract
Comme tout travail d'écriture est indéniablement collectif, je veux ici prendre le temps de remercier les personnes qui m'ont soutenu durant cette aventure.À ma conjointe, Francine, qui a su comprendre mon besoin d'espace et m'a encouragé dans les moments où la motivation était faiblissante.À France, qui a si gentiment mis en page la première version du livre, toujours avec diligence et intelligence.À mes deux collègues, Patrick Pelletier de l'Université TÉLUQ et Anne Mesny de HEC Montréal, qui ont accepté de commenter la première version du livre.Je lève mon chapeau aussi à l'équipe des Presses de l'Université de Montréal qui m'a accompagné avec toute l'attention requise, sans oublier les deux évaluateurs anonymes qui ont trouvé le moyen de me faire repousser mes limites.Un grand merci aussi au département de management de HEC Montréal pour son indispensable appui financier.Plus largement, je suis aussi reconnaissant envers tous les enseignants en gestion qui m'ont ouvert les yeux sur l'un ou l'autre des aspects importants du métier de pédagogue aux études supérieures.Finalement, je voudrais faire part de ma profonde gratitude envers mon médecin de famille, Bruno Bosisio, qui le premier détecta une anomalie à mon rein gauche, ainsi qu'à l'équipe des soins infirmiers du 4 e étage de l'Hôpital de la Cité-de-la-Santé de Laval et des médecins spécialistes du département d'urologie.J'ai une pensée toute spéciale pour Mathieu Bettez, le chirurgien qui m'a opéré en décembre 2017 et à qui je veux manifester toute ma reconnaissance, en soulignant particulièrement son professionnalisme et son
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 | 0.018 | 0.106 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.015 | 0.007 |
| Open science | 0.004 | 0.010 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.387 | 0.251 |
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".