Overdetermination, underdetermination, and epistemic granularity in the historical sciences
Notice bibliographique
Résumé
Abstract The optimism vs. pessimism debate about the historical sciences is often framed in terms of arguments about the relative importance of overdetermination vs. underdetermination of historical claims by available evidence. While the interplay between natural processes that create multiple traces of past events (thereby conducive of overdetermination) and processes that erase past information (whence underdetermination) cannot be ignored, I locate the root of the debate in the epistemic granularity, or intuitively the level of detail, that pervades any historical claim justification network. To reveal the role played by granularity, I elaborate a model of historical claim justification. This model maps out the different elements that enter the justification of historical claims (incl., actual and inferred states of affairs, dating and information reconstructing theories). It also incorporates the different types of processes that affect traces of past events (information creating, preserving, modifying, and destroying processes). Granularity is shown to play a pivotal role in all elements of this model, and thereby in the inferred justification of any historical claim. As a result, while upward or downward shifts in granularity may explain changes about claims being considered as overdetermined or underdetermined, epistemic granularity constitutes an integral part of evidential reasoning in the historical sciences (and possibly elsewhere).
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 | 0,029 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,057 |
| Communication savante | 0,011 | 0,019 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».