Bibliographic record
Abstract
Cet ouvrage est adapté d'une thèse de doctorat déposée en décembre 2020 à l'Université Laval.C'est pourquoi j'aimerais d'abord remercier toutes les personnes qui rendent possible notre présence en ces lieux qu'est l'Université.J'aimerais remercier les secrétaires des départements que j'ai fréquentés, tant à titre d'étudiant que professeur, et qui nous rendent toujours de grands services, ainsi que le personnel de soutien et les employé•e•s du CRILCQ.J'aimerais remercier les employé•e•s de la cafétéria, qui cuisinent pour nous, de même que le personnel d'entretien qui nettoie les lieux dans lesquels nous travaillons et dont, souvent, même après plusieurs années passées sur le campus, nous ne connaissons même pas les noms.J'ai aperçu ces employé•e•s en restant très tard à l'Université certains soirs.Ces personnes entretiennent nos locaux à des heures tardives, quand nous ne sommes pas là, pour ne pas nous gêner dans notre travail, mais peut-être aussi pour ne pas que l'on voit à quel point nous sommes des privilégié•e•s face à elles.J'aimerais remercier toutes ces personnes, principalement des femmes, sur qui l'écosystème universitaire repose encore, et dont les emplois demeurent plus fragiles que d'autres.Je tiens à exprimer ma reconnaissance infinie à François Dumont et Élisabeth Nardout-Lafarge, qui ont dirigé mes travaux de doctorat dans un alliage parfait -et très rare -entre la rigueur académique et la bienveillance.J'estime avoir été énormément choyé de pouvoir travailler à leurs côtés dans des conditions humaines et intellectuelles exemplaires.Il faut une grande intelligence pour être capable de les offrir.Plusieurs autres professeur•e•s ont marqué ma vision de la littérature et je ne pourrais toutes et tous les nommer ici.Je me
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 | 0.019 | 0.114 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.015 | 0.006 |
| Open science | 0.004 | 0.011 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.396 | 0.266 |
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".