Consensus et dissension des Français à l’égard de la justice distributive
Bibliographic record
Abstract
La littérature sur la justice distributive a établi que les individus jugent que des biens sont distribués de manière juste ou injuste principalement à partir de trois critères : la garantie des besoins de base pour tous, la reconnaissance des mérites de chacun et la réduction des inégalités, notamment de revenus. Une étude de Michel Forsé et Maxime Parodi (2006) a montré que ces trois critères de justice, loin d’être incompatibles, pouvaient être complémentaires et combinés grâce à une hiérarchisation, permettant de mesurer un consensus. Or, tout consensus empirique ne peut exister sans une ou des dissensions. Il importe alors d’établir s’il est possible de brosser un portrait de cette dissension à l’égard de la justice distributive à partir des différentes hiérarchisations possibles des critères de justice. Parmi toutes les manières d’objectiver cette dissension, nous l’approchons ici par ce que nous appelons des « profils de justice » qui correspondent aux différentes façons d’articuler entre eux les critères de justice. En analysant l’Enquête européenne sur les valeurs – pour la partie réalisée en France en 1999 –, les résultats appuient fortement l’utilité de ces profils de justice comme concept analytique pouvant faire état non seulement du consensus mais aussi de la dissension. De plus, une analyse en composantes principales permet de montrer que le raisonnement moral, dont témoignent les différents profils de justice, structure les croyances idéologiques et politiques de manière fortement cohérente.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: no | Observational | low |
| gpt | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: no | Observational | low |
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.007 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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, unvalidatedLabeled directly by 2 models reading the full record.
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".