Bibliographic record
Abstract
LorSque j'étaIS eNfaNt, on m'a souvent demandé -comme à tous les enfants -ce que je voulais faire quand je serais grand.La réponse me venait sans réfléchir : je voulais être médecin, comme mon père.J'étais un peu étonné de voir que ça suscitait l'admiration : je trouvais ça tout naturel.À mes yeux, mon père était le modèle à suivre.Il était bon, savant, rassurant ; il nous soignait quand nous étions malades, mon frère et moi ; il nous racontait des histoires qui nous faisaient rire ; il nous emmenait au zoo et au cinéma ; il nous protégeait.Et j'avais le sentiment que tout ça -enfin, sauf le zoo, peut-être -il le faisait avec tout le monde.Il était médecin de famille -et, en particulier, de la nôtre.Il était médecin et il faisait du bien.Je ne réalisais pas, alors, ce qu'être médecin signifiait.Je n'imaginais pas le temps qu'il faut pour le devenir, les responsabilités que cela suppose, le poids que cela représente.J'ignorais qu'être médecin n'est pas un métier de tout repos.Ma vision était simple : un médecin, c'est quelqu'un qui soigne.Je le savais, j'en étais sûr et je pensais que tout le monde le savait.Il m'a fallu attendre l'âge de dix-neuf ans pour découvrir que je me fourrais le doigt dans l'œil jusqu'au coude.Au CHU où j'ai été formé, beaucoup de médecins de premier plan -les Professeurs en chaire, les Agrégés -se
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".