Expérimentation de laboratoire et économie : contre quelques idées reçues et faux problèmes
Bibliographic record
Abstract
En dépit de son utilisation et de sa légitimité croissantes, l’expérimentation de laboratoire en économie fait parfois l’objet de critiques qui peuvent aller jusqu’à la remise en cause de la pertinence de l’outil. Sans prétendre à l’exhaustivité, nous revenons sur ceux de ces arguments qui revêtent selon nous un caractère discutable (parce qu’ils nous semblent selon les cas témoigner soit d’une tentation stratégique face à des résultats expérimentaux considérés comme gênants, soit d’une vision erronée des finalités et potentialités de la démarche, soit encore d’une lecture partielle de la réalité économique elle-même) afin de montrer que leur validité est au mieux locale et partielle. Nous en profitons pour rappeler les finalités de la méthode expérimentale, circonscrire son domaine d’application (c.-à-d. ses potentialités et limites) et indiquer quelques précautions d’utilisation.
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 | 0.147 | 0.247 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.048 |
| Scholarly communication | 0.014 | 0.015 |
| Open science | 0.004 | 0.009 |
| Research integrity | 0.008 | 0.008 |
| Insufficient payload (model declined to judge) | 0.015 | 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".