Bibliographic record
Abstract
Quelle est la particularité de ces enquêteurs qui envahissent l’écran de télévision aux heures de grande écoute? Ils multiplient les raisonnements à l’emporte-pièce, armés de dispositifs techniques ultrasophistiqués qui leur servent d’arguments d’autorité. Je me propose dans ce bref article d’examiner les fondements sémiotiques des raisonnements de ces enquêteurs. En me servant d’un cas d’espèce, en l’occurrence le travail de Dexter Morgan, dans la série américaine Dexter, j’examinerai les stratégies mises de l’avant dans ces enquêtes policières à caractère scientifique. Elles sont fondées sur ce que C. S. Peirce a nommé l’abduction. Comme l’avaient bien compris Edgar Allan Poe et Conan Doyle, en créant Auguste Dupin et Sherlock Holmes, l’abduction en acte permet le spectacle d’un esprit qui, lorsqu’en pleine possession de ses moyens, est capable d’inférer rapidement et efficacement les bonnes hypothèses, celles permettant d’attraper le coupable. Ces raisonnements sont évidemment truqués; mais, comme pour tout tour de magie, l’art de feindre a non seulement ses vertus esthétiques, mais surtout ses propres leçons à donner sur les modalités de perception et d’interprétation du monde.
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 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.016 | 0.034 |
| Scholarly communication | 0.015 | 0.012 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.017 | 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".