Notice bibliographique
Résumé
![Figure][1] PHOTO: © LUCASFILM/SUNSET BOULEVARD/CORBIS “Would creating an army of clones to battle droids be ethically acceptable? As the Chancellor Palpatine suggested to Anakin Skywalker, could creating life or indefinitely prolonging life be considered morally legitimate? If so, then why did the Jedi's moral code strictly prevent all forms of research on altering life itself and ban the acquisition of such knowledge?” I pause to allow my students to absorb these questions. They regard me, wide-eyed. Summoning Master Yoda, Obi-Wan Kenobi, or even—may the Force protect us!—the Emperor in a class on the ethics of biomedical research might at first sound a bit out of place. But upon closer look, the Jedi and the Sith could well be welcome there. Star Wars presents an almost continuous collection of life-related moral dilemmas, each of them serving as a perfect starting point for discussions in a biomedical classroom. From massive cloning and species destruction or creation, to mind-control and knowledge being kept by (and for) a limited elite, Star Wars provides examples for almost all of the challenges we want students to consider. The vast majority of students are highly familiar with the popular culture phenomenon that is Star Wars , and they are motivated to actively engage in the debate process. With biomedical science moving so fast that it might sound like fiction, one of our missions is to prepare students—the future scientists—for the ethical challenges they might encounter in their career. Popular culture is just a tool we can use to approach such essential questions. Still, awakening the Force in the classroom might help our students avoid becoming seduced by the Dark Side. [1]: pending:yes
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,008 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».