Élaboration d'un outil de mesure du niveau de littératie en Agroéconomie au Québec (Canada) Étude de cas : la Gestion de l'offre
Bibliographic record
Abstract
Plusieurs débats se font ces dernières années sur les impacts des différentes politiques agroalimentaires. L'impact de la gestion de l'offre sur les finances des consommateurs en est un exemple. La question de savoir si le consommateur a des connaissances sur la gestion de l'offre se pose alors ; et, ce niveau de connaissance affecte-t-il sa perception et/ou son évaluation de la gestion de l'offre ? Il s'agit de se faire une idée sur le niveau de littératie sur la gestion de l'offre des consommateurs. À cet effet, cette étude se focalise sur la mise en œuvre d'un outil qui permet, dans un premier temps, de jauger le niveau de littératie des répondants afin de s'assurer qu'ils en connaissent les principes et qu'ils comprennent ses implications. Une méthodologie pour l'élaboration de l'outil de mesure du niveau de littératie en gestion de l'offre a donc été établie et l'outil de mesure conçu. Pour sa validation, l'outil a été testé sur un échantillon d'une centaine d'étudiants de l'université Laval en automne 2020 à travers une enquête en ligne. Cette phase de validation a permis d'évaluer la capacité de discrimination des questions, nécessaire à la validation de l'outil. L'outil de mesure du niveau de littératie en la gestion de l'offre obtenu, testé et validé, pourra ainsi être employé pour des études futures visant à jauger le besoin en information des populations sur différentes thématiques en agroéconomie et aidera donc les différentes institutions concernées à identifier des leviers d'action.
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 | 0.014 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.008 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.008 | 0.002 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.015 | 0.001 |
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".