Une méthode créative de collecte des données dans l’entretien clinique de recherche : bricolage éphémère et dialogue autour d’une oeuvre d’art
Bibliographic record
Abstract
Cet article présente une recherche doctorale en cours sur les phénomènes de déréalisation dans les domaines de la psychologie et de la littérature comparée. L’autrice y expose les choix qui ont présidé à la détermination de son objet d’étude et les raisons qui l’ont conduite à adopter la méthode des entretiens cliniques de recherche. Trois types d’entretiens ont eu lieu : le premier axé sur la parole, le deuxième sur un bricolage avec des éléments mobiles et le troisième sur un dialogue autour d’une oeuvre d’art dont l’atmosphère déréalisante faisait écho à la problématique de recherche. L’article explore le passage progressif d’une méthode classique vers l’utilisation de dispositifs créatifs, visant à libérer la parole des participants et à favoriser l’expression de leurs affects. La mobilité des éléments symbolise la fluidité des processus affectifs, tandis que l’immersion dans l’imaginaire d’une oeuvre d’art stimule la réflexivité. La créativité est encouragée sur le mode du jeu plutôt que la création proprement dite et les résistances, tant du chercheur que des participants, tendent à s’estomper. L’autrice met en lumière les apports de ces dispositifs, tout en soulignant leurs limites, dans un souci de préserver la singularité de chaque témoignage et la richesse émotionnelle propre à chaque expérience.
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 | 0.100 | 0.163 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.012 | 0.008 |
| Science and technology studies | 0.007 | 0.015 |
| Scholarly communication | 0.020 | 0.014 |
| Open science | 0.004 | 0.016 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.027 | 0.007 |
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".