Bibliographic record
Abstract
Selon une théorie cognitiviste de l’auto-attribution, je peux parvenir à la connaissance directe, non-inférentielle de mes propres croyances. Cette théorie a été traditionnellement associée à la notion d’introspection conçue comme source de connaissance interne. On sait (au moins depuis Wittgenstein) que le recours à cette notion compromet l’application à soi-même d’un concept unifié de croyance, valable également pour autrui. Dans cet essai, j’explore une autre méthode d’auto-attribution, également envisagée par Wittgenstein (et plus tard par Gareth Evans), que j’appelle « méthode de déploiement ». Selon cette méthode, je parviens à la connaissance de mes croyances en portant mon attention, non pas à l’intérieur de moi-même, mais directement sur le monde extérieur tel que je l’ai trouvé. Certains arguments wittgensteiniens suggèrent que la méthode de déploiement conduit inexorablement au solipsisme. Je m’oppose à ces arguments, en m’inspirant de travaux récents sur la théorie de la simulation mentale. Je parviens à deux conclusions générales. Premièrement, la méthode de déploiement n’est pas réservée à l’auto-attribution ; elle fonde également l’attribution de croyances à autrui. En second lieu, on peut faire ressortir la spécificité de l’attribution égologique par le « matériau ontologique » auquel cette méthode s’applique. Par exemple, je suis fondé à croire que je crois qu’il pleut parce que c’est lefaitqu’il pleut, et non une simple possibilité, qui se présente à moi lorsque je me tourne vers le monde. La méthode de déploiement peut échapper au solipsisme si on l’associe à une distinction ontologique naïve entre des faits et de simples possibilités.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.018 |
| Scholarly communication | 0.006 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| 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".