Perception de l'energie nucleaire et (ir)rationalite: une analyse sure donnees francaises
Bibliographic record
Abstract
Cette contribution est consacrée à l’analyse à la fois théorique et empirique de la différence de perception du risque nucléaire entre experts et « profanes ». Comme nous le verrons avec la première partie consacrée aux apports de la littérature sur les risques majeurs, l’écart de perception n’est pas tant dû à un déficit de connaissance du non-expert comparé à l’expert qu’à un mode de pensée différent (qui peut se justifier). Dans le cas du nucléaire qui est notre champ d’étude, nous étayons l’hypothèse selon laquelle les experts peuvent aussi présenter un biais de rationalité dans leurs perceptions. Dans la partie empirique de notre travail, nous reprenons les données individuelles de l'enquête française perception des risques par le public et par les experts (PERPLEX), que nous couplons à l’exploitation d’une enquête de prospective technologique, plus ancienne, afin de tester la robustesse de nos conclusions sur des indicateurs et des périodes différents. Nos résultats suggèrent qu'il n'existe pas de relation univoque entre type de population étudiée et type de rationalité mobilisée. Si la perception du nucléaire par les experts plaide plutôt en faveur d'une forme de rationalité plus analytique et moins émotionnelle de leur part, les experts peuvent cependant aussi souffrir de biais décisionnels, tout comme les profanes peuvent, sous certaines conditions, adopter des raisonnements analytiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.014 | 0.038 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".