Pourquoi la peur des ours et des épidémies n’est-elle pas automatique ? Ce que Peirce apporte à l’analyse des peurs dans la constitution des problèmes publics
Bibliographic record
Abstract
L’apport des travaux de Ch.S. Peirce à l’étude des émotions est souvent méconnu. Pourtant, ses échanges épistolaires avec W.James au sujet de la peur des ours, sont à l’origine d’une réflexion féconde. Rétrospectivement, on peut considérer que ses analyses permettent de dépasser des clivages qui structurent encore les études contemporaines sur les émotions. Elles invitent, tout d’abord, au dépassement de l’opposition entre l’exploration interne et l’observation des manifestations externes des émotions. En qualifiant les émotions d’hypothèses, Peirce refuse aussi de réduire leur indétermination. Enfin, il opère un glissement d’une interrogation sur les objets des émotions à celle des situations dans lesquelles elles prennent naissance. Le but de cet article consiste à mettre ces trois spécificités à l’épreuve de la peur des maladies et des épidémies dans les sociétés contemporaines, et de leur constitution en problèmes publics. Cette étude empirique porte sur le problème de l’antibiorésistance, source de nombreuses pathologies ou de difficultés grandissantes à soigner des maladies jusque-là curables au moyen d’antibiotiques, et sur la production des discours catastrophistes qu’il a générés. Si les discours catastrophistes sont d’abord apparus comme un moyen commode de susciter la peur afin de changer les comportements en matière d’antibiothérapie, ils ont aussi générés des critiques. Ces débats méritent attention car ils sont révélateurs de manières de concevoir la peur, et son rôle dans la communication des problèmes de santé publique. En retour, les théories de Peirce éclairent de manière efficace leur absence d’ancrage dans des situations concrètes et sensibles.
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 | 0.007 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.021 |
| Scholarly communication | 0.010 | 0.013 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".