Notice bibliographique
Résumé
Weighing complex sets of evidence (i.e., from multiple disciplines and often divergent in implications) is increasingly central to properly informed decision-making. Determining "where the weight of evidence lies" is essential both for making maximal use of available evidence and figuring out what to make of such evidence. Weighing evidence in this sense requires an approach that can handle a wide range of evidential sources (completeness), that can combine the evidence with rigor, and that can do so in a way other experts can assess and critique (transparency). But the democratic context in need of weight-of-evidence analysis also places additional constraints on the process, including communicability of the process to the general public, the need for an approach that can be used across a broad range of contexts (scope), and timeliness of process (practicality). I will compare qualitative and quantitative approaches with respect to both traditional epistemic criteria and criteria that arise from the democratic context, and argue that a qualitative explanatory approach can best meet the criteria and elucidate how to utilize the other approaches. This should not be surprising, as the approach I argue for is the one that most closely tracks general scientific reasoning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,176 | 0,198 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,014 | 0,046 |
| Communication savante | 0,036 | 0,034 |
| Science ouverte | 0,005 | 0,026 |
| Intégrité de la recherche | 0,013 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».