Bibliographic record
Abstract
Comment à ses origines, l’institution muséale conçue comme un panoptique d’objets de connaissances, accumulés dans la perspective d’un inventaire du monde, invente et érige sur un piédestal une science du classement, la taxinomie, propice à l’émergence de stéréotypes ? Et comment, l’orthodoxie scientifique a, dans ses dérives hégémoniques, contribué à produire et à imposer des stéréotypes racistes et nationalistes justifiant l’entreprise coloniale du xixe siècle ?Nous montrerons ensuite comment, à la fin du xxe siècle, les musées transformés en espaces de communication tendent au contraire à devenir des lieux de mise en scène d’une conception plus relative de la science, où la vérité est construite et peut être mise en débat. Ceci les conduit à mettre en question et à nuancer les stéréotypes jusque-là érigés en ensemble de vérités dogmatiques à portée universelle. Autrement dit, nous nous demanderons comment les mutations de ses fonctions intellectuelles et sociétales font passer le musée moderne – dont le rôle consiste en une sacralisation institutionnelle des savoirs scientifiques et de la systématiques – au musée postmoderne qui défend une systémique plus relative, qui reconnaît les limites des méthodologies même le plus évidentes, et où les sciences sont appréhendées dans leurs interactions avec la société.
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 | 0.005 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.011 | 0.044 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".