Comment justifier la tolérance religieuse? Une analyse des arguments épistémiques
Bibliographic record
Abstract
Dans la littérature sur la tolérance, très peu d’attention est accordée aux arguments épistémiques. De plus, lorsqu’ils sont abordés, on semble faire presque exclusivement référence à l’argument de John Stuart Mill selon lequel la tolérance contribue à l’atteinte de la vérité. On ne distingue pas entre les types d’arguments épistémiques. Ce mémoire vise entre autres à combler ce manque en offrant une meilleure cartographie des différents types d’arguments épistémiques afin de mieux en comprendre les possibilités, les limites, les forces et les faiblesses. L’objectif de ce mémoire est premièrement d’identifier les différents types d’arguments épistémiques pour la tolérance religieuse et ensuite de les analyser. Mon analyse portera sur la structure des arguments et leur robustesse, sur leur acceptabilité potentielle par les croyants ainsi que sur la forme de tolérance qui est supportée par ces arguments. Un deuxième objectif de ce mémoire est d’exemplifier les arguments épistémiques pour la tolérance religieuse qui sont formulés par des auteurs qui mobilisent des ressources des religions chrétienne et musulmane. Les quatre types d’arguments épistémiques identifiés dans le mémoire sont (1) le faillibilisme, (2) le processus de formation des croyances, (3) la parité épistémique et (4) l’accès différencié au message de Dieu. Une conclusion qui ressort de l’analyse de ces arguments est qu’ils peuvent fournir une justification pour la tolérance de toutes les croyances religieuses, mais qu’ils ne permettent pas de tracer de limites entre ce qui doit être toléré et ce qui ne le doit pas dans le domaine de l’action (au-delà de l’expression des croyances).
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 | 0.011 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.025 |
| Scholarly communication | 0.010 | 0.011 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.005 | 0.009 |
| Insufficient payload (model declined to judge) | 0.010 | 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".