De l’enquête collaborative à la méta-enquête par l’enjeu des traces produites : une approche alternative pour une épistémologie constructiviste revisitée
Bibliographic record
Abstract
Dans le monde francophone, les recherches collaboratives ont pris leur essor à la fin des années 1990 au Québec pour être aujourd’hui plus largement reconnues. Elles représentent une forme alternative d’enquête par rapport aux recherches traditionnelles dans la mesure où elles revendiquent une double visée pleinement assumée : celle de construire des connaissances scientifiques et de soutenir le développement professionnel de ceux qui y participent. Puisant dans une épistémologie constructiviste au sens de Le Moigne (2021), l’enjeu de l’article est de problématiser une « méta-enquête » sur l’enquête collaborative elle-même, à des fins de modélisation pour contribuer à la rigueur et à la crédibilité des connaissances produites.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.018 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.006 |
| Science and technology studies | 0.015 | 0.037 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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; both teacher heads agree on what is shown here.
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".