Bibliographic record
Abstract
LE. CHOIX DE L'IMAGE EROTIQUE comme terrain d'enquête relève d'une stratégie de recherche qui consiste à aborder un problème par l'étude d'un cas limite. Le pari heuristique qui est ainsi fait ·consiste à poser "hypothèse que le phénomène considéré n'est pas une anomalie, mais, au contraire, révèle des caractéristiques essentielles par une exagération naturelle de ses traits les plus importants. Le problème de la lecture de l'image vise en effet une expérience qui, pour être commune, triviale même, nlen est pas moins extrêmement complexe, et, à bien des égards, mystérieuse, magique presque, voilée de cette illusion q�'est la transparence ou la simplicité. Pour conceptualiser et problématiser ce mode particulier de l'existence quotidienne, il convient de construire l'interface qui unit pour le temps de la «lecture » d'une part un système neurophysiologique et cognitif et d'autre part un ou plusieurs objets doués de qualités sensibles, morphologiques, culturelles, économiques et sociales particulières. Naturellement, comme c'est le cas pour toute interface, ces deux côtés de la « lecture» ne constituent pas des univers séparés mais font partie d'une seule et même complexité. n-est néanmoins nécessaire, pour les besoins de la recherche, de construire une interface simplifiée avec des variables groupées en configurations provisoirement séparées. C'est pourquoi l'accentuation des traits fournie par les cas limites offre un objet privilégié à l'opportunisme méthodologique, sorte de créneau scientifique que le chercheur se doit d'explorer.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.044 |
| Scholarly communication | 0.010 | 0.019 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.013 | 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".