Les indicateurs de bien-être : concepts, mesures et enjeux éthiques
Bibliographic record
Abstract
Dans ce mémoire, nous cherchons à prendre position sur les principales conceptions et mesures du bien-être débattues dans la littérature et ce dans le but de déterminer quel modèle d'indicateur de bien-être nous devrions utiliser à l'échelle nationale. Nous faisons d'abord l'analyse critique de plusieurs conceptions du bien-être pour ensuite répéter le même exercice avec les mesures du bien-être les plus discutées dans la littérature. Après avoir pris position en faveur de la conception du bien-être de Valerie Tiberius, nous tentons d'établir un modèle d'indicateur cohérent avec sa théorie. Nous répondons finalement à une série d'objections potentielles envers l'indicateur de bien-être inspiré de l'indice canadien du mieux-être, que nous avons choisi. Au terme de ce mémoire, nous concluons que la conception du bien-être développée par Tiberius répond bien aux principales objections que rencontrent la plupart des conceptions du bien-être. Finalement, nous soutenons que, malgré la nécessité de recherches supplémentaires, le modèle que nous proposons pourrait remplir, avec succès, la fonction d'indicateur national de bien-être. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Valerie Tiberius, théorie de la réalisation des valeurs, indicateur national de bien-être, Indice canadien du mieux-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 | 0.004 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.019 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 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".