Bibliographic record
Abstract
La lecture informative d’un texte est une lecture de questionnement pour trouver réponse à un besoin informationnel. Réalisée pour quelqu’un d’autre, dans un cadre professionnel, c’est une lecture documentaire. La lecture informative d’un texte est la lecture que chacun fait. Est-elle donc par essence « subjective » ? Beaucoup acceptent cela quand elle est réalisée pour soi. C’est celle du lecteur final. Mais plusieurs le refusent catégoriquement quand elle est réalisée pour autrui. C’est celle du lecteur intermédiaire, celle qui est faite dans un cadre professionnel comme la documentation. Ils considèrent alors que la lecture documentaire doit être « objective ». Dès lors ils établissent implicitement ou explicitement que le lecteur n’a aucune liberté de choix dans sa lecture. Nous allons d’abord considérer la lecture en tant qu’activité de recherche de sens, en visitant successivement les sens possibles, le sens voulu par l’auteur, le sens inscrit dans le texte et le sens attendu par le lecteur. Puis nous exposerons comment, sur le plan théorique, une vision « vectorielle » de la communication, en référence au schéma de C. E. Shannon, explique le souci d’objectivité des documentalistes, puisque l’information est la connaissance à communiquer. Enfin nous montrerons comment une vision « interactive », issue de la contestation de ce schéma « classique », permet aux chercheurs en science de l’information de considérer différemment la lecture « documentaire », car l’information, à travers cette lecture, devient une connaissance partagée.
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 | 0.013 | 0.075 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.006 | 0.009 |
| Scholarly communication | 0.025 | 0.025 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.035 | 0.014 |
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".