Bibliographic record
Abstract
Lorsque l’on s’interroge sur l’éthique du numérique, deux approches sont possibles. La première consiste à la considérer comme une éthique appliquée, une branche de l’éthique générale. Les principes éthiques généraux nous donneraient la capacité de discerner le bien et le mal ; les appliquer au numérique nous permettrait ainsi d’expliciter, à partir de ces principes, des normes de comportements dans ce domaine particulier. Mais cette approche ne prend pas en compte le fait que les principes éthiques puissent découler des conditions concrètes de leurs applications. Nous pouvons donc considérer une seconde approche, qui consisterait à partir de l’analyse du domaine du numérique pour fonder sur ses caractéristiques la réflexion morale. Par conséquent, l’éthique du numérique ne serait pas une éthique appliquée, mais une éthique première. Cet article tente de poser les bases pour une réflexion sur l’éthique du numérique qui prendrait en considération les changements de culture et de valeurs engendrés par les nouvelles technologies.
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 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.026 |
| Scholarly communication | 0.009 | 0.013 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.005 | 0.006 |
| 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".