L’abduction comme mode d’inférence et méthode de recherche : de l’origine à aujourd’hui
Bibliographic record
Abstract
Ce texte a pour objectif de discuter de l’évolution et de montrer l’actualité et la fécondité de l’inférence abductive. L’abduction sied tout particulièrement bien aux approches constructivistes puisqu’elle demande à ce que l’on tienne compte du contexte de l’action. Toute enquête résulte du doute qui se veut la condition de la mise en route de l’enquête, car l’esprit ne se satisfait pas du doute, il aspire à trouver une autre croyance stable sur laquelle se reposer. La méthode scientifique d’où résulte l’abduction découle des travaux de Peirce, qui lui donne deux sens. L’un se veut un processus de formation d’une hypothèse explicative et l’autre relie les trois types d’inférence dans une séquence d’arguments nouant, dans cet ordre, abduction, déduction et induction. Pour l’enquête sociale, Dewey s’est inspiré de la logique abductive de Peirce. À la lumière des processus intellectuels fondamentaux en recherche identifiés par Mucchielli (2007), nous avons mis en exergue les processus intellectuels et particuliers sous-jacents aux recherches qualitatives du raisonnement abductif. Encore aujourd’hui, cette forme d’inférence trouve de nombreux adeptes et son utilisation est pluridisciplinaire.
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 | 0.023 | 0.041 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.003 | 0.034 |
| Scholarly communication | 0.013 | 0.022 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.006 | 0.009 |
| Insufficient payload (model declined to judge) | 0.010 | 0.004 |
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".