Des groupes de rédaction académique pour favoriser la professionnalisation scientifique des doctorants
Bibliographic record
Abstract
Le doctorat implique des exigences grandissantes en termes de professionnalisation scientifique. Il est notamment attendu des doctorants qu’ils contribuent à la communauté scientifique, un défi majeur pour ces derniers qui éprouvent un manque de soutien résultant en une faible santé psychologique. En réponse à cette problématique, divers dispositifs d’accompagnement doctoral sous forme de groupes de rédaction académique ont récemment été conçus au Canada et en Europe, dont les retraites de rédaction Thèsez-vous canadiennes et les séminaires de rédaction de l’Université du Luxembourg. La présente étude visait à comparer comment ces deux dispositifs d’accompagnement doctoral peuvent influencer le sentiment de communauté scientifique et la santé psychologique de doctorants. Pour ce faire, une méthodologie mixte a été utilisée. Le volet quantitatif a permis d’analyser l’évolution des réponses entre un prétest (deux semaines avant le dispositif) et un post-test (au terme du dispositif). Puis, le volet qualitatif a visé à explorer les aspects pédagogiques des dispositifs responsables de l’amélioration du bien-être doctoral. Les résultats ont révélé que les retraites de rédaction sont efficaces pour améliorer à la fois la santé psychologique et le sentiment de communauté scientifique, alors que les séminaires n’amélioreraient que le sentiment de communauté scientifique. Néanmoins, selon les participants, les différents aspects pédagogiques des deux dispositifs ont tous été favorables au bien-être.
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 | 0.013 | 0.042 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.032 | 0.003 |
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".