The culture of numbers: the origins and development of statistics on science
Bibliographic record
Abstract
A ciência da mensuração se tornou uma “indústria”. Em primeiro lugar, quando, como e porque a ciência veio a ser mensurada? Como uma atividade “cultural” – ciência – há muito conhecida como não acessível à estatística, vem a ser mensurada? A estatística deve a sua existência ao contexto de tempo: 1) mensurando a contribuição de grandes homens, entre eles cientistas da civilização, e melhorando as condições sociais de cientistas; conseqüentemente, 2) a política da ciência e a eficiência de investimentos em pesquisa. Antes dos anos 1920, eram os próprios cientistas que faziam as mensurações da ciência. As estatísticas coletadas relativas a homens da ciência ou cientistas, sua demografia e geografia, sua produtividade e desempenho eram usados para promover o que era chamado de avanço da ciência. Nos anos 1940 e posteriormente, o tipo de estatística coletada mudou completamente. Não eram mais os cientistas que as coletavam e sim os governos e agências de estatísticas. As estatísticas mais apreciadas, a partir de então, eram o dinheiro dedicado à pesquisa e desenvolvimento.
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 | 0.095 | 0.277 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.013 | 0.013 |
| Science and technology studies | 0.005 | 0.073 |
| Scholarly communication | 0.020 | 0.033 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.006 | 0.017 |
| Insufficient payload (model declined to judge) | 0.005 | 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".