Un problème de chiffres : l’utilisation des connaissances empiriques en statistique dans la théorie sociale classique
Bibliographic record
Abstract
En se référant à des exemples précis de théoriciens reconnus ou non de la sociologie duxixeau début duxxesiècle, et en prenant en compte les écrits de Georg Simmel quant à la détermination quantitative des groupes sociaux comme cadre théorique et point thématique de départ, cet essai considère la diversité des formes de connaissances qui caractérisent certains des textes fondateurs de la sociologie. Nous nous concentrons en particulier sur l’utilisation de tableaux statistiques, d’enquêtes, ou d’autres moyens de générer et de rendre compte d’une connaissance empirique au sein du travail de théoriciens sociaux classiques tels que Durkheim et Tarde, Marx et Engels, Max et Alfred Weber, ainsi que des données numériques sur lesquelles ils se sont appuyés ou qu’ils ont générées, cela incluant Quetelet, Kay-Shuttleworth et Du Bois. Nous conclurons en regardant en quoi un examen des méthodes empiriques et statistiques en sociologie classique nous aide à voir que le conflit entre les approches qualitatives et quantitatives qui divise la sociologie d’aujourd’hui est en grande partie dû à l’évolution ultérieure de la division disciplinaire du travail et d’une spécialisation professionnelle de la connaissance, un problème que les travaux de Simmel nous aident à exposer et à traiter.
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 | 0.178 | 0.313 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.010 | 0.012 |
| Science and technology studies | 0.011 | 0.073 |
| Scholarly communication | 0.020 | 0.031 |
| Open science | 0.007 | 0.012 |
| Research integrity | 0.006 | 0.019 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".