Bibliographic record
Abstract
Dans cet entretien accordé le 5 décembre 2012 au Collège de France à Julien Bernard, Jon Elster précise sa vision des rapports entre émotions, rationalité et normes sociales dans les motivations de l’action. Selon lui, les émotions se comprennent en fonction des désirs et des croyances qui la font naître. Elles comportent souvent une tendance à l’action immédiate, au risque de l’irrationalité, tout en constituant une force, un « moteur » des normes sociales. En retour, les normes sociales, tout comme le degré et la forme des conceptualisations des émotions selon les époques et les cultures, peuvent s’insérer dans le choix émotionnel par le biais des croyances sur l’attitude à tenir selon les situations et par celui de l’identification de ce qui est vécu. Les normes ne constituent pas forcément un frein à l’action émotionnelle. Au contraire, certaines d’entre elles encouragent précisément des réactions émotionnelles. Ce faisant, Elster montre que l’impact des émotions sur la cognition, en court-circuitant la recherche optimale d’information, est le plus souvent négatif. C’est une raison pour laquelle, selon lui, l’étude des mécanismes émotionnels, tels que le déclin de l’émotion avec le temps ou les transmutations d’émotions, est nécessaire à l’analyse des actions sociales.
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 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".