Bibliographic record
Abstract
Comment passer des concepts et des mots de la socio-anthropologie, aux notions, mots, visions, habitudes et conduites des gens observés par elle? L’anthropologie – sous la qualification qu’elle accepte sans sourciller d’être une science – ne jouit-elle pas du redoutable avantage encore reconnu, même si immérité, de dire la vérité, d’apprendre aux gens comment ils vivent et en conséquence comment se conduire? Le poids de ses produits repose en fait sur un traitement de l’information collectée similaire à celui utilisé dans les sciences dures où existent des référents, des instruments, des procédures construits et établis au fil des années par les disciplines à l’oeuvre. Or, la socio-anthropologie ne dispose d’aucun référent équivalent si ce n’est l’ensemble des théories autour desquelles se rassemblent tels ou tels groupes de chercheurs en sciences humaines, théories qui posent d’emblée l’existence d’un social (parfois un culturel), matériau qui se voudrait équivalent au naturel des sciences dures. S’il semble clair désormais que seul le dialogue réel entre toutes les connaissances s’impose aux sciences en général, il semble plus important encore que les sciences humaines apprennent à construire le social avec les connaissances des concernés et non à l’imposer à partir d’une panoplie de concepts figés, peu expérimentés. Cette imposition revèle en fait l’extension du rôle politique que la Constitution moderne donne aux sciences de la Nature, (déclarées vraies définitions de la Nature), aux sciences de l’homme et en particulier à la socio-anthropologie.
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 | 0.006 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.006 | 0.016 |
| Scholarly communication | 0.013 | 0.013 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.014 | 0.005 |
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".