Pour une éthique de l’environnement inspirée par le pragmatisme : l’exemple du développement durable
Bibliographic record
Abstract
Il s’agit ici de montrer de quelle manière le pragmatisme, à la lumière des fondateurs du pragmatisme que sont Charles S. Peirce, William James et John Dewey, permet de renouveler la conception et le travail de l’éthique environnementale. Dans ce but, nous rappelons les grandes questions qui ont accompagné le développement de l’éthique dite de l’environnement depuis ses débuts, mais en regardant plus précisément les débats qui ont agité les dernières décennies. Nous montrons aussi quels autres types de réflexion ont été développés dans le chantier de l’éthique de société, en particulier dans le secteur de l’éthique biomédicale et celui de l’éthique appliquée. Ici nous nous situons explicitement dans le contexte des travaux d’une telle éthique appliquée, comprise autrement que comme un principisme appliqué (voir Beauchamp et Childress, 2008). Nous rappelons aussi quelques grandes caractéristiques du pragmatisme en général et sur les questions d’éthique, ceci dans le but de montrer la spécificité de l’approche du pragmatisme. Pour mieux faire voir quelles conséquences cette perspective apporte sur les questions qui nous intéressent, nous terminons en prenant l’exemple du développement durable.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.033 |
| Scholarly communication | 0.009 | 0.010 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".