Pourquoi la peur des ours et des épidémies n’est-elle pas automatique ? Ce que Peirce apporte à l’analyse des peurs dans la constitution des problèmes publics
Notice bibliographique
Résumé
L’apport des travaux de Ch.S. Peirce à l’étude des émotions est souvent méconnu. Pourtant, ses échanges épistolaires avec W.James au sujet de la peur des ours, sont à l’origine d’une réflexion féconde. Rétrospectivement, on peut considérer que ses analyses permettent de dépasser des clivages qui structurent encore les études contemporaines sur les émotions. Elles invitent, tout d’abord, au dépassement de l’opposition entre l’exploration interne et l’observation des manifestations externes des émotions. En qualifiant les émotions d’hypothèses, Peirce refuse aussi de réduire leur indétermination. Enfin, il opère un glissement d’une interrogation sur les objets des émotions à celle des situations dans lesquelles elles prennent naissance. Le but de cet article consiste à mettre ces trois spécificités à l’épreuve de la peur des maladies et des épidémies dans les sociétés contemporaines, et de leur constitution en problèmes publics. Cette étude empirique porte sur le problème de l’antibiorésistance, source de nombreuses pathologies ou de difficultés grandissantes à soigner des maladies jusque-là curables au moyen d’antibiotiques, et sur la production des discours catastrophistes qu’il a générés. Si les discours catastrophistes sont d’abord apparus comme un moyen commode de susciter la peur afin de changer les comportements en matière d’antibiothérapie, ils ont aussi générés des critiques. Ces débats méritent attention car ils sont révélateurs de manières de concevoir la peur, et son rôle dans la communication des problèmes de santé publique. En retour, les théories de Peirce éclairent de manière efficace leur absence d’ancrage dans des situations concrètes et sensibles.
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 | 0,035 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,121 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,009 | 0,006 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».