Bibliographic record
Abstract
Tout lecteur s’approprie le contenu d’un texte qu’il intègre dans sa structure réceptive, constituée par sa personnalité propre et par l’épistémè de son temps. Une alchimie s’instaure entre le texte produit par l’auteur et le texte lu par un individu, entre l’émetteur et le récepteur. In fine, il y aura autant d’avatars d’un texte qu’il y aura de prises de sens. Le lecteur participe donc de l’actualisation d’un texte, comme le souligne Umberto Eco dans Lector in fabula. Cette inévitable multiplicité de lectures s’explique aussi par la polysémie, label de tout grand texte d’auteur. Le texte est rarement le reflet de l’intention première de l’auteur, qui « est écrit » autant qu’il écrit. Par sa plume passe à son insu une foule d’éléments qu’il ne contrôle pas forcément. Or, le traducteur est un lecteur particulier, un lecteur de métier qui se doit, ou se devrait, de privilégier une réception et une recréation polysémiques, faute de quoi sa traduction serait une prise de sens personnelle et donc réductrice. Trois « intentions » de base : l’intentio auctoris, l’intentio operis et l’intentio lectoris tissent donc la trame subtile du « texte final ». Mais, dans le cas du lecteur-traducteur, le troisième paramètre (intentio lectoris) est l’écueil majeur à éviter à tout prix.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.036 | 0.012 |
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".