Bibliographic record
Abstract
Les affirmations de vérité, c’est-à-dire les assertions qu’un orateur essaye de rendre vraies ou du moins vraisemblables aux yeux du public, sont très répandues. Mais comment les juger ? La légitimité des connaissances reste, pour l’essentiel, incertaine, évaluée d’après les hypothèses sur la manière dont le monde fonctionne ou selon la réputation des garants de ces connaissances. Autrement dit, la vraisemblance et la crédibilité déterminent nos jugements. Comme les spécialistes des théories du complot l’admettent, il existe beaucoup trop de « faits » pour les apprécier facilement. Les affirmations sont confuses. On en conclut donc que certaines sont fausses, que d’autres sont vraies et que d’autres encore sont sorties de leur contexte. De plus, les connaissances évoluent sans cesse, et il est nécessaire d’examiner l’erreur et l’ignorance (un champ de l’épistémologie nommé l’agnotologie) tout autant que la précision et la sensibilisation. Dans cet article, on traitera quatre allégations critiques portées contre le président des États-Unis, Barack Obama : il est né au Kenya, il est musulman, il a eu des rapports bucco-génitaux avec un homme et il est socialiste. Si chacune de ces assertions est fausse, elles sont fausses de diverses façons selon les différents critères et les nombreuses stratégies à l’aune desquels on mesure l’incertitude.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.013 | 0.021 |
| Scholarly communication | 0.014 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.007 | 0.011 |
| Insufficient payload (model declined to judge) | 0.012 | 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".