Bibliographic record
Abstract
Un débat est présentement en cours sur l’opportunité ou non d’établir des liens entre l’éthique et les neurosciences. À première vue, cette proposition remet en question une conception traditionnelle de l’éthique qui se distingue des sciences empiriques. Elle semble, entre autres, suggérer une façon déterministe et réductionniste de voir l’éthique. Nous soutenons dans cet article que, contrairement à ce que laissent entendre certaines critiques, les neurosciences peuvent être pertinentes pour l’éthique. Cinq arguments contre l’apport des neurosciences en éthique sont présentés et discutés (déterminisme, paralogisme naturaliste, dualisme, réductionnisme et hégémonie de l’objectivité). Nous soutenons que ces arguments n’impliquent pas l’impossibilité d’intégrer les neurosciences en éthique, sinon qu’ils suggèrent des façons plus nuancées de le faire. Suivant cette discussion, nous présentons une approche neurophilosophique émergentiste et interdisciplinaire qui se distingue de la « neurophilosophie de l’éthique » proposée par Patricia Churchland. Nous enchaînons ensuite avec la présentation d’un secteur de recherche en neurosciences (neurosciences du raisonnement moral et des émotions morales) qui illustrent l’intérêt de l’approche proposée. L’article conclut en présentant quelques commentaires critiques.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".