La simulation à base d’agents en sciences sociales : une « béquille pour l’esprit humain1 »?
Bibliographic record
Abstract
L’un des intérêts de la simulation informatique est de nous permettre d’explorer et d’essayer ainsi de comprendre des phénomènes contre intuitifs. Ce faisant, elle comporte aussi des dangers que le modélisateurs/simulateur doit savoir maîtriser. Le propos de ce court texte est de montrer que danger et enrichissement de la recherche vont de pair dans l’exercice de simulation. Ainsi, l’utilisation d’un appareillage formalisé est tout autant de nature à appauvrir qu’à enrichir notre tentative de compréhension des phénomènes sociaux. Le modèle de simulation joue alors un rôle heuristique très utile pour susciter de la complexité (enrichissement de notre vision) à partir de la simplicité (pauvreté du modèle). La souplesse du modèle et de son utilisation, permettant de refaire plusieurs fois l’expérience, de varier les angles d’approche, d’ajouter ou retrancher des paramètres donne au chercheur une grande capacité à maîtriser la complexité qu’il est alors capable d’instiller dans son investigation.
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 | 0.007 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.010 |
| Scholarly communication | 0.013 | 0.014 |
| Open science | 0.004 | 0.006 |
| Research integrity | 0.006 | 0.006 |
| Insufficient payload (model declined to judge) | 0.009 | 0.003 |
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".