MétaCan
Menu
Retour à la cohorte
Enregistrement W4403784918 · doi:10.1080/10511431.2024.2419747

Understanding fallacious reasoning <i>via</i> detecting moves of motivated criticism in Argument Continuity—a new strategy of circular reasoning in coping responses to disagreement within a distorted reasoning context

2024· article· en· W4403784918 sur OpenAlexaff
Oxana Pimenova

Notice bibliographique

RevueArgumentation and Advocacy · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueHate Speech and Cyberbullying Detection
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésEpistemologyAnalytic reasoningArgumentation theoryArgument (complex analysis)CriticismPsychologyContext (archaeology)Coping (psychology)Verbal reasoningDeductive reasoningSocial psychologyPhilosophyCognitionLaw

Résumé

récupéré en direct d'OpenAlex

Reasoning asymmetry arises when biased argument production aligns with biased argument evaluation by the same arguer, a phenomenon commonly termed motivated criticism or biased assimilation. This practice, often wielded by individuals in positions of power, aims to advocate for specific decision options. Argument Continuity exemplifies this asymmetry within a distorted reasoning context, where a motivated critic incessantly reiterates arguments in counterarguments to discredit less powerful opponents, disregarding evidential priority in reasoning exchanges. When these restatements are bolstered by appeals to authority, uncertainty, or the unlikelihood of adverse effects of a decision option, they signify moves of motivated criticism, perpetuating Argument Continuity discursively. The paper seeks to identify and annotate instances of Argument Continuities in Indigenous consultation reports, reconstructing a discourse of motivated criticism among officials responding to resource concerns. By developing annotation guidelines, it aims to classify and predict Argument Continuity, providing a tool to preempt fallacious reasoning by authorities across diverse public policy contexts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,076
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,086

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,076
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0080,004
Études des sciences et des technologies0,0030,013
Communication savante0,0120,015
Science ouverte0,0030,008
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,284
Écart entre enseignants0,249 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArgumentation and AdvocacyMême sujetHate Speech and Cyberbullying DetectionTravaux en français237 207