Bibliographic record
Abstract
L’argument principal de cet article est que ce que nous voyons est fonction des méthodes que nous utilisons. Au moyen d’une série d’exemples, nous suggérons que nos connaissances sont régulièrement déviées de leur course par les limites mêmes des cadres méthodologiques utilisés pour l’analyse de données. Chacun des exemples présente une comparaison des méthodes simples et bien connues et d’autres méthodes qui intègrent une plus large gamme d’influences ou qui clarifient l’objet d’étude. Or, lorsque ces dernières sont utilisées, les résultats obtenus changent. Cette constatation donne à penser que les résultats composant la littérature de recherche dans plusieurs domaines pourraient être transformés par l’application de méthodes qui prennent explicitement en compte le temps et l’espace social ; de même, le recours à des méthodes plus appropriées pourrait permettre de résoudre certains conflits entre théories ou de lever certaines des limites de celles-ci. Les exemples couvrent un éventail de questions, depuis les différences entre données transversales et longitudinales, la construction de modèles pour remplacer les équations, l’influence des contextes sociaux sur le comportement individuel, l’importance du temps dans la modélisation des événements, jusqu’aux nuances dans la compréhension de la complexité des processus interdépendants au cours de la vie.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.003 | 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; both teacher heads agree on what is shown here.
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".