Bibliographic record
Abstract
Lors d’enquêtes de terrain situées aux lisières de la vie sociale, la tâche de conceptualisation des phénomènes qui en découle pose souvent problème. La saisie de la réalité procède rarement en ligne droite, mais se révèle souvent au travers de décalages, dans l’espace des « ni, ni », des analogies, voire des erreurs et des hasards, au milieu desquels se perd parfois la justesse des cadres méthodologiques et théoriques. Alors qu’ils sont souvent contournés, voire jetés dans les « poubelles de la science » sous prétexte d’être des anomalies non-représentatives du processus de production de « vraies » données et certitudes, ces décalages peuvent pourtant être des vecteurs importants de découvertes. C’est dans cette suite d’idées que nous aborderons, à l’aide d’exemples issus du terrain, deux « figures de décalage » : la sensibilité et l’ironie, qui appartiennent au même registre de la découverte par sérendipité.
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 | 0.009 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.008 | 0.083 |
| Scholarly communication | 0.014 | 0.015 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.004 | 0.006 |
| 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".