Bibliographic record
Abstract
L’une des questions ouvertes par la loi Leonetti en 2005 est celle de savoir si une décision médicale peut être collective, comme il l’est désormais conseillé de façon pressante. Son présupposé est que, parce qu’une décision est collective, elle a plus de chances d’être correcte et juste que si elle est le fait d’un individu qui décide seul. Il n’est pas impossible que la pression démocratique ait imposé cette façon de penser au corps médical. Mais à quelles conditions une décision prise en commun ne laisse pas de regrets à ceux qui la prennent, après avoir délibéré, et à celle ou celui qui dirige un service ? Cette question, qui se pose de façon nouvelle au personnel médical, doit être repensée de fond en comble ; ce qui ne veut pas dire qu’elle n’ait pas été affrontée par des auteurs du passé qui, depuis l’Antiquité avec Aristote, en passant par le Moyen Âge, avec saint Thomas d’Aquin (qui nous a appris à distinguer le choix et l’élection), et les philosophes du xviii e siècle – Rousseau et Condorcet –, ont largement défriché le terrain, en se limitant, il est vrai, à l’acception politique des élections, des choix et des décisions, de telle façon tout de même que les modernes puissent le creuser dans de meilleures conditions, sans céder aux sirènes du mythe du « décideur » des années 1970, 1980 et 1990.
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 | 0.015 | 0.040 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.014 | 0.035 |
| Scholarly communication | 0.015 | 0.012 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.012 | 0.017 |
| Insufficient payload (model declined to judge) | 0.026 | 0.006 |
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".