Lessons for Theory from Scientific Domains Where Evidence is Sparse or Indirect
Notice bibliographique
Résumé
In many scientific fields, sparseness and indirectness of empirical evidence pose fundamental challenges to theory development. Theories of the evolution of human cognition provide a guiding example, where the targets of study are evolutionary processes that occurred in the ancestors of present-day humans. In many cases, the evidence is both very sparse and very indirect (e.g., archaeological findings regarding anatomical changes that might be related to the evolution of language capabilities); in other cases, the evidence is less sparse but still very indirect (e.g., data on cultural transmission in groups of contemporary humans and non-human primates). From examples of theoretical and empirical work in this domain, we distill five virtuous practices that scientists could aim to satisfy when evidence is sparse or indirect: (i) making assumptions explicit, (ii) making alternative theories explicit, (iii) pursuing computational and formal modelling, (iv) seeking external consistency with theories of related phenomena, and (v) triangulating across different forms and sources of evidence. Thus, rather than inhibiting theory development, sparseness or indirectness of evidence can catalyze it. To the extent that there are continua of sparseness and indirectness that vary across domains and that the principles identified here always apply to some degree, the solutions and advantages proposed here may generalise to other scientific domains.
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 | 0,061 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,010 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,060 |
| Communication savante | 0,015 | 0,045 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,007 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 ».