Bibliographic record
Abstract
Goudey et Bonnin démontrent de manière indiscutable notre volonté d’accepter les robots, indépendamment de l’ampleur de leur apparence humaine. Cette réflexion vise à approfondir leur point de vue de deux manières. Tout d’abord, en élargissant notre conception de ce qui constitue un robot, j’estime que nous avons déjà accepté bon nombre de robots non humanoïdes et que même les entités robotiques dépourvues de présence visuelle peuvent être convaincantes et attrayantes. Deuxièmement, je propose d’élargir l’analyse psychologique de « l’ambigüité catégorielle » de la publication originale grâce à l’approche anthropologique de Mary Douglas. Douglas laisse entendre que l’ambigüité catégorielle est inacceptable, car tout ce qui est perçu comme une transgression des frontières catégorielles remet en cause nos croyances culturelles et l’ordre social. Dans le cas des robots, les convictions ébranlées sont les notions fondamentales de ce qui rend les êtres humains uniques et privilégiés dans le monde. A mesure que les machines deviennent de plus en plus performantes, selon certaines sources, elles menacent d’éclipser, voire de supplanter, la race humaine. Je propose plusieurs thèmes de recherche d’ordre comportemental et éthique qu’il est indispensable d’aborder, si nous voulons faire face et nous préparer à de telles éventualités.
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 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.013 | 0.021 |
| Scholarly communication | 0.011 | 0.011 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.008 | 0.011 |
| Insufficient payload (model declined to judge) | 0.012 | 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".