Bibliographic record
Abstract
Ce texte propose un exposé systématique des différents types de malentendus, des plus banals et bénins aux plus retors et pernicieux. L’objectif principal est de comprendre dans quelle mesure le malentendu peut devenir facteur de mésentente. Si l’examen rationnel des sources et des motifs de malentendus s’avère un moyen légitime de contrer leurs effets néfastes dans l’aire de la communication, il convient également de ne pas succomber à l’idéalisme et d’envisager le caractère incontournable et parfois insoluble du malentendu. Dans cette perspective, notre réflexion remet en question trois postulats de l’éthique de la communication défendue par Jürgen Habermas : la place donnée à la raison spéculative et l’efficacité d’un métadiscours explicatif dans l’élucidation des malentendus ou dans la résolution des conflits ; la possibilité d’un dialogue authentique dans certaines situations de conflit ; le consensus comme visée ultime du dialogue. Alors qu’Habermas situe tout échange authentique dans l’orbite d’uneprétention à la validité, nous soutenons qu’il existe plus fondamentalement chez les sujets parlants uneprétention à la jouissanceet que les malentendus les plus coriaces prennent racine dans ce lieu des affects. Nous soutenons par ailleurs qu’il peut exister un usageéthiquedu malentendu.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.039 | 0.007 |
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".