Bibliographic record
Abstract
Au moment où je m’installe pour vous adresser ces quelques lignes, une pleine année s’est écoulée depuis que le New York Times a révélé que des allégations d’agression sexuelle s’échelonnant sur plusieurs décennies avaient été portées contre Harvey Weinstein, grand magnat hollywoodien. Je sais exactement combien de temps s’est écoulé parce que comme bien des femmes en Amérique du Nord et ailleurs dans le monde, je suis collée au site du Times en attendant de savoir si le Sénat donnera le feu vert au candidat républicain Brett Kavanaugh pour rejoindre la Cour suprême. Kavanaugh a livré une interprétation magistrale du « Je suis un homme blanc et tout m’est dû » devant un comité judiciaire du Sénat qui s’était réuni pour l’interroger sur les accusations d’inconduite sexuelle portées contre lui ; sa performance est venue tout juste après le témoignage historique de Christine Blasey Ford lors duquel cette dernière a relaté le souvenir douloureux qu’elle a gardé de son agression aux mains de Kavanaugh pour ensuite expliquer patiemment le fonctionnement de la psychologie humaine et la façon dont le cerveau retient un traumatisme.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.011 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 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".