Notice bibliographique
Résumé
Abstract The reduction of grounding to causation, or each to a more general relation of which they are species, has sometimes been justified by the impressive inferential capacity of structural equation modelling, causal Bayes nets, and interventionist causal modelling. Many criticisms of this assimilation focus on how causation is inadequate for grounding. Here, I examine the other direction: how treating grounding in the image of causation makes the resulting view worse for causation. The distinctive features of causal modelling that make this connection appealing are distorted beyond use by forcing them to fit onto grounding. The very inferential strength that makes causation attractive is only possible because of a narrow construal of what counts as a causal relation; as soon as that broadens, the inferential capacity markedly diminishes. Making causation suitable for application to grounding spoils what was appealing about causation for this task in the first place. However, grounding need not appeal to causation: causal modelling does not have exclusive claim to structural equation modeling or other formal techniques of modelling structure. I offer a case in favour of a different kind of metaphysical frugality, which tend towards narrow, more restrictive construals of relations like causation or grounding, because then each relation behaves more homogenously. This more homogenous behavior delivers stronger inferential power per relation even though there may be more relations to which one is committed.
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 | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,006 | 0,012 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,062 | 0,006 |
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 ».