Singular content and de jure coreference
Bibliographic record
Abstract
Esta dissertação é composta de três capítulos que, apesar de tratarem sobre temas distintos, igualmente pressupõem que o conceito de coreferência de jure deve estar no cerne das discussões sobre conteúdo e representação singular.No capítulo 2, tentarei reabilitar o principal argumento de Frege (1948) em favor da existência de Sentidos em face da acusação de circularidade recentemente posta por Glezakos (2009).Argumentarei que as diferenças de valor cognitivo entre sentenças, como "Cícero é Cícero" e "Cícero é Túlio", se reduzem à ocorrência (ou não ocorrência) da relação de coreferência de jure entre seus tokens referenciais.Já que, como mostrarei, o reconhecimento desta relação não pressupõe qualquer teoria semântica substancial, ele pode ser usado para fundamentar a introdução de Sentidos.O capítulo 3 avalia caso a introdução de Sentidos tem sucesso em explicar a coreferência de jure já que a última foi demonstrada ser não-transitiva (Fine 2007, Pinillos 2011), ao contrário da identidade de Sentidos.Argumentarei que a postulação de Sentidos pode fundamentar uma relação não-transitiva, já que Sentidos podem instanciar relações mais refinadas que a mera identidade ou diferença, e.g.possuir uma parte comum.Finalmente, o último capítulo contém uma discussão sobre conteúdo singular em cenários diacrônicos envolvendo expressões indexicais.Defenderei a tese de que teorias que rejeitam a factividade, i.e. a tese de que identidade de conteúdo pressupõe coreferência, não são superiores a teorias que rejeitam a transparência, i.e. a tese de que a identidade de conteúdo é conhecível a priori.Já que temos explícitas razões para manter estas duas teses, teremos que adotar uma teoria como a de Recanati (2012, 2015, forthcoming), de acordo com quem a relação de tokens indexicais diacrônicos é geralmente mais fraca que a identidade de conteúdo, porém mais forte que a mera diferença.Todavia, argumentarei que Recanati erra em alguns detalhes, especialmente sobre se pode haver identidade de conteúdo entre representações memoriais e aquelas originando estas memórias.Meu ponto final é que, se meus argumentos são corretos, deveremos distinguir a identidade de modos de apresentação da identidade de valor cognitivo, a primeira sendo mais refinada que a segunda.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.012 |
| Scholarly communication | 0.004 | 0.011 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.007 | 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".