Bibliographic record
Abstract
La discussion éthique publique a connu un essor spectaculaire dans les dernières décennies. Elle s’est même démocratisée, au point de devenir une sorte de « sport » alimenté par des médias à l’affût de toutes les controverses à saveur éthique : scandales politiques, ratés du système judiciaire, fraudes, faits divers et phénomènes de société choquants. L’argumentation éthique n’est certes pas une science et les grands débats éthiques sont généralement des débats ouverts. Mais il serait erroné d’en conclure qu’en ce domaine « tous les arguments se valent ». Il est possible d’évaluer avec rigueur les arguments qui composent les débats éthiques et de déterminer s’ils sont valides, cohérents, forts, faibles ou nuls. C’est du moins le pari que fait l’auteur de ce livre qui poursuit deux objectifs : mettre en relief les caractéristiques propres à l’argumentation éthique et surtout aider le lecteur à perfectionner ses capacités en la matière en lui fournissant des outils d’analyse, des procédés et des stratégies pour évaluer et critiquer les arguments éthiques. L’ouvrage fourmille d’exemples d’arguments variés qui appartiennent à la culture éthique populaire. La plupart ont été puisés dans les quotidiens et dans Internet et proviennent de plusieurs pays : Québec, Canada, France, États-Unis, Chine, Belgique ou Burundi. Ils touchent des thèmes variés comme l’abolition de l’esclavage, les accommodements raisonnables, l’avortement, la transmission du sida, l’euthanasie ou l’activisme pédophile. Les analyses de l’auteur sont menées sur un ton léger, parfois ironique, et formulées dans un langage clair et accessible. L’ouvrage propose aussi au lecteur quelques exercices stimulants, histoire de lui permettre de tester et d’aiguiser ses propres capacités argumentatives.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.494 | 0.338 |
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".