La révolution causale à l'ère de l'IA : Vers une approche hybride entre théorie scientifique et découverte automatisée
Bibliographic record
Abstract
La “révolution causale” en sciences des données promet de transformer notre capacité à comprendre les relations causales complexes dans divers domaines. Cette présentation examine les rôles complémentaires des humains et des machines dans la modélisation causale, en prenant pour exemple la recherche sur le trouble de la personnalité limite. Nous analysons d’abord les limites des approches purement automatisées de découverte causale, particulièrement en présence de données manquantes ou partielles. Nous montrons ensuite comment les modèles théoriques issus des sciences sociales et de la santé peuvent servir de “priors” informatifs pour guider la construction de modèles causaux. En particulier, nous explorons l’utilisation du modèle écosocial de Krieger comme cadre théorique initial. Nous proposons une approche hybride qui combine systématiquement trois éléments : les modèles théoriques existants, l’expertise clinique, et les méthodes de découverte automatisée. Cette approche permet d’exploiter les forces complémentaires des humains (connaissance du contexte, jugement clinique) et des machines (traitement de grandes quantités de données, identification de motifs). Cette réflexion s’inscrit dans une perspective plus large sur l’automatisation en santé mentale, où la complémentarité homme-machine apparaît comme une piste à approfondir.
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 | 0.020 | 0.047 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.015 |
| Scholarly communication | 0.012 | 0.019 |
| Open science | 0.005 | 0.008 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.012 | 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".