Bibliographic record
Abstract
REMERCIEMENTSJ'ai rédigé ce livre afin de répondre à un besoin tangible et perçu au sein du Département de psychologie de l'Université du Québec à Montréal, qui s'est manifesté au Département de sexologie et qui me semble répandu dans les sciences humaines en général.En fait, à mes débuts à la Chaire de recherche du Canada sur les traumas interpersonnels et la résilience, la directrice, Martine Hébert, m'a demandé de concevoir des modules pour ses étudiantes.Elle voulait, d'une part, répondre aux besoins de formation et, d'autre part, consolider l'ensemble des apprentissages et du matériel sur la modélisation par équations structurelles avec Mplus afin de faciliter la dissémination des connaissances dans son laboratoire.Ayant un immense intérêt pour la pédagogie et les statistiques, j'ai évidemment sauté sur l'occasion.Je remercie Martine Hébert de m'avoir proposé ce projet, qui s'est déroulé dans le cadre d'un stage d'études postdoctorales.Je la remercie en outre pour le financement reçu par l'intermédiaire de la Chaire de recherche du Canada sur les traumas interpersonnels et la résilience.Enfin, je tiens à exprimer ma gratitude envers les autres membres du Laboratoire de recherche de Martine et, plus particulièrement, à
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 | 0.024 | 0.218 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.005 | 0.009 |
| Research integrity | 0.003 | 0.009 |
| Insufficient payload (model declined to judge) | 0.277 | 0.127 |
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".