Du roc du biologique au futur des civilisations. Entretien avec Essedik Jeddi
Bibliographic record
Abstract
MP : Essedik Jeddi, vous êtes de passage à Montréal.Vous avez fait plusieurs séjours au Québec et cette fois-ci vous y êtes pour une série d'interventions à la Société psychanalytique de Montréal et au Département de psychologie de l'Université du Québec à Montréal.Je voudrais en profiter pour faire avec vous le tour de votre parcours, comprendre ce qui vous a conduit ici parmi d'autres endroits.Vous êtes né le 7 août 1940 à Monastir en Tunisie.Vous êtes marié, vous êtes père de trois enfants et vous avez trois petits-enfants.Vous avez beaucoup voyagé.Vous vous êtes engagé dans plusieurs causes.Vous avez fait une partie de vos études en Tunisie, puis à la Faculté de médecine de Lyon, en France, dans les années 68.Vous êtes donc médecin, physiologiste, neuropsychiatre, psychanalyste et, comme si cela ne suffisait pas, traducteur et réalisateur de cinéma.Vous avez d'ailleurs écrit trois films.Voilà un parcours richissime et complexe.J'aimerais dans un premier temps que vous nous disiez comment vous en êtes venu à la médecine et à la physiologie.EJ : Tout d'abord, effectivement, je suis dans ma soixante-douzième année.Je suis issu d'une famille d'enseignants, de ce que nous appelons, nous, des notables de la plume ('âylat al-qalam, composée de notaires, de jurisconsultes, de juges, d'enseignants, etc.), par opposition aux familles du makhzin, c'est-àdire les notables du pouvoir qui exercent des tâches allant des plus simples aux plus hautes.Je suis le neuvième d'une famille de dix enfants, mais mon épouse ne pouvait accepter d'avoir neuf enfants ; il m'était donc impossible de reproduire dans ma descendance ma propre position de neuvième enfant !(rire) Finalement, nous avons convenu de n'en faire que trois, une fille (Latifa) et deux garçons (Mohamed-Ali et Mourad-Mokhtar).Lors de mon premier long séjour au Canada, Mohamed-Ali et Mourad-Mokhtar devaient avoir
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.004 | 0.010 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.026 | 0.004 |
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".