L’entreprise vue par la science-fiction : d’aujourd’hui à demain
Bibliographic record
Abstract
La science-fiction connaît un regain d’intérêt ces dernières années, non seulement auprès de son lectorat traditionnel, mais également auprès des chercheurs et même des décideurs. Certes, elle est utile pour anticiper et éventuellement modeler l’avenir, mais elle s’avère surtout un puissant outil pour comprendre la face cachée d’un présent gros de cet avenir. À travers des mises en scène qui bousculent nos représentations du monde, la science-fiction questionne non seulement ce que nous pensons, mais aussi comment et pourquoi nous le pensons. C’est ainsi que, loin d’être inférieure à la connaissance scientifique, la fiction la complète par l’exploration d’autres dimensions du réel. Par conséquent, on ne s’étonnera guère que des chercheurs se soient intéressés à son potentiel heuristique en mettant à profit certaines œuvres dans le cadre de leur démarche scientifique. Pour plusieurs, il s’agit de pallier le manque d’imagination auquel nous contraint un hyper-méthodologisme stérile afin de renouveler et d’enrichir le processus de théorisation. Depuis une quinzaine d’années, plusieurs disciplines des sciences humaines et sociales tirent profit de ce potentiel, qu’il s’agisse du droit, de la science politique ou de l’histoire. Ce numéro veut poursuivre dans la foulée en explorant l’intérêt de la science-fiction pour mieux comprendre les réalités de l’entreprise et son rôle dans la société d’aujourd’hui et de demain.
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 | 0.008 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.043 |
| Scholarly communication | 0.020 | 0.016 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.013 | 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".