L’apport d’une perspective génétique à l’analyse des images scientifiques
Bibliographic record
Abstract
À partir d’études ethnographiques menées dans des laboratoires appartenant à deux disciplines des sciences de la nature, la physique des matériaux et la pharmacologie, Catherine Allamel-Raffin élabore une classification des images produites dans ces domaines de recherche en les envisageant sous l’angle de leur production, c’est-à-dire en adoptant une perspective génétique. Cette démarche conduit notamment au constat suivant : certaines images massivement présentes en pharmacologie (histogrammes), et peu présentes en physique des matériaux, soulèvent des problèmes sémiotiques particuliers qu’il est possible d’analyser à l’aide des travaux de E. Tufte. Le recours à une perspective génétique, dans un second temps, permet de relever les similitudes, mais également d’établir les distinctions qui s’imposent quant aux processus de réalisation de ces images : la présence potentielle d’artefacts, ceux-ci étant situés à des moments différents du cours de l’expérimentation, la non-existence d’une flexibilité interprétative dans le cas des images produites en pharmacologie à l’opposé de ce que l’on rencontre en physique des matériaux, l’évolution du statut épistémique de certaines images au cours de la recherche grâce au recours, couronné de succès, à des stratégies expérimentales déterminées.
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 | 0.008 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.003 |
| Science and technology studies | 0.008 | 0.034 |
| Scholarly communication | 0.013 | 0.014 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.007 | 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".