Notice bibliographique
Résumé
Abstract Nearly all properties are, to a certain extent, versatile: there are many different ways to instantiate them. Consider for example a light-blue scarf and a dark-blue gemstone. These two objects share the property of being blue, despite being different kinds of objects and differing in the way in which they are blue. Our key insight (‘Property Versatility’) is that this apparently mundane observation should be extended: many properties are considerably more versatile than theorists typically take them to be. This simple insight turns out to be incredibly powerful in addressing a wide range of issues in the philosophy of language, metaphysics, and beyond. One such issue is the classic problem of copredication. Copredication sentences such as ‘Lunch was delicious but took hours’ are common yet puzzling. These sentences can be true despite seemingly ascribing incompatible properties: it appears that only the food eaten can be delicious, and only the event attended take hours. This book offers a comprehensive discussion of the problem of copredication, including a critical evaluation of extant approaches to the problem. The discussion culminates with a defence of the Property Versatility approach to copredication. Appealing to the insight behind Property Versatility, we develop a simple yet empirically powerful approach to copredication. In addition, the book demonstrates how Property Versatility is a powerful tool in addressing a wide range of issues beyond copredication, including the semantics of generics, the metaphysics of establishments and repeatable artworks, fictional discourse, and the nature of ambiguity, as well as a host of others.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».