Comment les théories philosophiques sur le racisme pourraient-elles éclairer le spécisme ordinaire ?
Bibliographic record
Abstract
Même s’il existe un large consensus dans le domaine des études sur le racisme concernant le fait que le concept de « racisme » est essentiellement « normatif », une discussion bat son plein dans ce domaine entre les nombreux partisans du normativisme et ceux qui prônent une position descriptiviste. C’est ce débat que je revisite dans cet article. Dans ce cadre, je m’intéresse moins au débat « sémantique » concernant le type de concept (évaluatif ou descriptif) qu’est celui de « racisme » qu’à la proposition d’auteurs comme Mills et Shelby au sujet de la nature du « phénomène » désigné par le terme (donc à un débat de nature plus « métaphysique »). J’aimerais expliquer et développer cette proposition et suggérer l’idée qu’elle pourrait permettre de mieux comprendre ce que je nomme le « spécisme ordinaire » (c’est-à-dire la forme la plus courante du spécisme dans les sociétés occidentales actuelles). Pour ce faire, je présente d’abord les différentes façons de comprendre le racisme et j’avance que les modèles agentiels devraient être supplémentés par une approche non agentielle du phénomène. Je montre ensuite comment cette proposition pourrait mieux rendre compte du spécisme ordinaire. Je réfléchis finalement sur les différents mécanismes par lesquels ce spécisme peut fonctionner et je propose un type d’investigation qui devrait être exploré plus avant par ceux et celles qui voudraient l’étudier et le contrer.
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 | 0.005 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.027 |
| Scholarly communication | 0.008 | 0.012 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.009 | 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".