Sécurité, complexité, imprévisibilité : apports et perspectives des travaux de Leplat
Bibliographic record
Abstract
Le thème de la sécurité a un statut particulier dans les travaux de Jacques Leplat puisqu’il est transversal à toute sa carrière (Leplat, 1985, 2011; Leplat & Cuny, 1974). À partir des années 80, il s’est lié à celui de complexité, devenu indispensable pour décrire le monde qui nous entoure (Leplat & De Terssac, 1990; Morin, 2008; Woods, 1988). Les travaux de Leplat sur la complexité (1988) sont directement liés à son modèle-guide pour l’analyse de l’activité à partir du couplage (Leplat, 1997, 2000b). Cette modélisation met l'accent sur la manière dont les individus traitent les tâches complexes, intégrant les caractéristiques des sujets. Elle a ouvert d’importantes voies de recherche et de nouvelles perspectives de prévention centrées sur les compétences (Leplat, 2000a, 2008; Leplat & de Montmollin, 2001). Alors que de nouveaux courants et modèles ont émergé (en particulier autour de l’ingénierie de la résilience , par exemple Hollnagel, Woods, & Leveson, 2006), cet article propose de revisiter l’apport singulier des travaux de Jacques Leplat dans ce paysage mouvant et parfois divisé des sciences de la sécurité. C’est un article programmatique et théorique qui ouvre des perspectives pour tracer de futures recherches.
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 | 0.012 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.019 | 0.019 |
| Scholarly communication | 0.011 | 0.010 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.009 |
| 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".