Construire le politique. Contingence, causalité et connaissance dans la science politique contemporaine
Bibliographic record
Abstract
Construire le politique. Contingence, causalité et connaissance dans la science politique contemporaine, Laurent McFalls (avec la collaboration de Nicolas Liorzou, Julie Perreault et Anca Mot), Presses de l'Université Laval, 2006, 319 pages. Il y aura toujours un risque à encourir dans la préparation d'un manuel dont l'ambition est de présenter l'unité d'une discipline dont la convergence n'est souvent qu'artificielle ou institutionnelle. Très au fait de ce risque, Laurent McFalls précise d'emblée que, la plupart du temps, les manuels proposent “ un tour d'horizon plus ou moins superficiel et aléatoire ” (p. xiv) ou versent dans le dogme brutal du “ il y a ” (il y a des idéologies, il y a des problèmes politiques, il y a des théories des relations internationales) sans égard à la construction épistémologique de cette “ réalité ”. Dans Construire le politique. Contingence, causalité et connaissance dans la science politique contemporaine, McFalls et son équipe relèvent le défi imposé par une synthèse désireuse d'éviter ce pragmatisme qui dissimule davantage qu'il ne révèle, pour inviter le lecteur à une réflexion épistémologique et philosophique sur les présupposés d'une discipline dont le pluralisme engendre certainement une science saine, à défaut d'un gai savoir.
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 | 0.005 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.005 | 0.035 |
| Scholarly communication | 0.010 | 0.013 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
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".