Bibliographic record
Abstract
Désastres écologiques, migrations, violences, inégalités. Tout se passe comme si les acteurs et actrices démocratiques n'arrivaient plus à réguler les évolutions de ce monde. Comment réinventer alors une nouvelle forme de puissance publique ? Comment reconstruire une intelligence collective, un pouvoir avec, pour susciter une prise de conscience, une mobilisation ? Nous sommes dans une bifurcation historique, car s'annonce une aventure indéterminée où la régulation citoyenne aurait en responsabilité l'urgence du vivant. La méthodologie dégagée dans la recherche sur les Intelligences citoyennes tente de répondre à ce défi en favorisant le passage du subir à l’agir, à travers un modèle heuristique d’action collective faisant vivre un espace public, local et mondial. L’intelligence narrative est celle qui nous rend capables de raconter des situations injustes et destructrices, d’en témoigner pour amener une réaction, un engagement agissant. Au-delà, s’impose l’intelligence déconstructive : résister aux leurres de la pensée dominante, les détricoter. Un collectif citoyen engagé dans les questions de justice sociale et de sauvegarde du vivant doit pouvoir ensuite construire collectivement des propositions alternatives visant la réappropriation humaine des communs : c’est l’intelligence prescriptive. Cette construction collective passe enfin par l’intelligence argumentative, qui nous rend capables d’argumenter nos exigences et de délibérer de façon démocratique. Le déploiement de ces quatre intelligences nécessite des démarches et des processus d’éducation populaire.
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 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.016 |
| Scholarly communication | 0.014 | 0.010 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.024 | 0.006 |
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".