Bibliographic record
Abstract
Le terme « risque moral » est utilisé ici pour désigner les situations où un décideur unique choisit simultanément un « acte » (au sens de la théorie des jeux contre la nature, telle que développée notamment par L.J. Savage) et une « stratégie », non observable, susceptible d’influencer le cours des événements. Dans les nombreuses applications de la théorie de la décision à des situations de risque moral, on suppose que, pour chaque acte, le décideur choisit, dans un ensemble donné, la stratégie qui maximise l’espérance d’utilité. Les choix entre les actes reflètent alors les espérances d’utilité associées à ces stratégies optimales. On obtient ici une justification axiomatique de cette représentation, en affaiblissant l’axiome appelé « Inversion d’ordre » par Anscombe et Aumann. Aux termes de cet axiome, quand une épreuve aléatoire décide de l’acte qui prévaudra, il doit être indifférent pour le décideur que l’épreuve aléatoire soit conduite avant ou après que l’on observe l’état du monde. L’affaiblissement consiste à stipuler au contraire que le décideur ne préfère jamais strictement que l’épreuve aléatoire soit conduite après observation de l’état du monde plutôt qu’avant (i.e. la valeur de l’information est non négative). Conjointement avec les autres axiomes habituels, cet affaiblissement conduit à un théorème d’espérance morale généralisé : il existe un ensemble (convexe fermé) de probabilités P sur les états du monde, et une utilité sur les conséquences, tels que les préférences entre les actes reflètent les maxima par rapport à P des espérances d’utilité.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.019 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.019 | 0.003 |
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".