La dimension numérique dans le concept de minorité : efficience et justice ethnoculturelle1
Bibliographic record
Abstract
L’article introduit au rôle de l’efficience dans la génération d’avantages ou de désavantages enregistrés par les minorités. L’objectif est de démontrer que l’efficience devrait jouer un rôle plus important dans le domaine de la justice ethnoculturelle. Pour ce faire, une brève présentation de la place du nombre dans la littérature sur le sujet est offerte, ce qui permet de saisir le fond de l’argument consistant à faire des déséquilibres numériques une source certaine des injustices subies par les minorités, notamment dans une perspective inspirée par l’égalitarisme de la chance. De ce point de vue, l’asymétrie numérique peut toutefois constituer une source d’avantages pour ces groupes. Dès lors, une telle asymétrie, qui est l’un des constituants de la définition de la minorité, prend une autre dimension. Plus que cette asymétrie, il apparaît que c’est l’efficience (la manière dont les groupes gèrent cette asymétrie) qui détermine les conditions et succès matériels des membres d’un groupe donné. Après une discussion des minorités efficientes et dominantes, l’article se conclut par la mise en lumière de quelques pistes de recherche rendues visibles par l’efficience et qui sont pertinentes pour la théorie de la justice en contexte multiculturel.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.005 | 0.034 |
| Scholarly communication | 0.008 | 0.010 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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".