Le bayésianisme : une épistémologie pour les sciences infirmières
Bibliographic record
Abstract
Le bayésianisme est une approche philosophique qui considère la connaissance comme une entreprise de mise à jour des croyances basée sur des probabilités. Cette épistémologie est originaire du monde des statistiques où elle représente un paradigme concurrent du fréquentisme. En effet, dans les statistiques bayésiennes, une probabilité représente non pas la fréquence d’un événement, mais le degré de croyance en une théorie, également appelée crédence. En suivant cette logique, chaque nouvelle donnée permet donc de mettre à jour une crédence en une théorie. Les sciences infirmières, en raison de leur nature située au croisement de nombreuses autres disciplines telles que la sociologie, la psychologie ou la biologie, semblent être un domaine idéal où mettre en oeuvre une telle épistémologie. En effet, bien qu’il prenne sa source dans le monde des statistiques, le bayésianisme peut être appliqué à la recherche qualitative comme quantitative, et est adaptée à plusieurs paradigmes de recherche existants. Cette présentation s’attellera à expliquer le fonctionnement de cette épistémologie au travers de plusieurs exemples tirés deproblématiques infirmières. Elle soulignera également comment le bayésianisme peut permettre une analyse de données intégrée dans le cadre d’un devis mixte.
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 | 0.015 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.004 | 0.016 |
| Scholarly communication | 0.012 | 0.015 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.006 | 0.009 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".