Pour une écologie politique des savoirs. Comment hériter du domaine STS (Sciences, technologies et société) ?
Bibliographic record
Abstract
Cet article a pour enjeu la protection des rapports et des expériences de savoirs que nous ressentons comme vivants, ainsi que la réflexion sur les processus mortifères qui affectent les institutions de recherche, dont rendent compte par exemple l’apparition du terme « zombie » à propos de technologies ou de concepts. Après avoir montré en quoi ce projet entend renouer avec l’idée d’une écologie politique des savoirs, nous explicitons en quoi cette question hérite des discussions épistémologiques et politiques qui ont marqué l’émergence des STS en France dans les années 1970. En revenant sur nos travaux respectifs, nous montrons en quoi le caractère vivant et zombifié des savoirs est quelque chose qui s’éprouve avant tout depuis l’enquête, notamment dans les situations de rencontre avec les publics des savoirs. En ce sens, nous défendons donc l’idée que l’enquête peut ici constituer une entreprise collective à partir de laquelle mettre en pratique une écologie politique des savoirs. Cette dernière consisterait alors à sonder la dimension vivante ou morte des sciences en société, dans l’interstice des lieux de production des sciences professionnelles et dans leurs périphéries.
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 | 0.007 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.028 |
| Scholarly communication | 0.012 | 0.011 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 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".