La notion d'enseignement parfait (yuanjiao) dans la pensée de Mou Zongsan (1909-1995)
Bibliographic record
Abstract
Personnage central du néoconfucianisme contemporain, Mou Zongsan (1909-1995) a écrit un nombre impressionnant de livres philosophiques. Loin d’ignorer les penseurs d’autres courants, il les intègre à ses théories pour en utiliser les forces. Ainsi, il s’intéresse au concept d’enseignement parfait (yuanjiao圓教). Cette notion fut introduite par l’école bouddhique Tiantai (Tiantai天台). Après une classification de tous les enseignements bouddhiques, il fut conclu que l’enseignement parfait consiste en un enseignement complet reflétant parfaitement l’intention ultime du Bouddha. Mou considère quatre critères pour déterminer quelle doctrine est conforme à cette idée : la préservation de tout ce qui existe, la possibilité pour tous d’atteindre l’illumination, englober tout sans distinction et utiliser un langage qu’il qualifie de non analytique.\nDans cette étude, nous allons examiner l’utilisation faite par Mou du concept d’enseignement parfait. Il démontre la nécessité pour l’être humain d’avoir un esprit qui saisit à la fois la sphère phénoménale et nouménale. De cette façon, tout ce qui compose la réalité, pur et impur, est conservé. Il emprunte ensuite le concept du summum bonum kantien, c’est-à-dire le ratio proportionnel entre la vertu et le bonheur, et le révise à l’aide de l’enseignement parfait. Le résultat est tout à fait étonnant : l’être humain possède l’intuition intellectuelle, normalement réservé à Dieu chez Kant, et est ainsi responsable de son propre bonheur grâce à l’accomplissement d’actions morales. Cependant, le bouddhisme ne fournirait pas le cadre théorique idéal pour la notion très importante du summum bonum puisque l’aspect moral n’y serait pas assez développé. Mou affirme que, malgré leur origine bouddhique, les critères qui définissent un enseignement parfait peuvent être appliqués à d’autres courants de pensée. Il propose donc le confucianiste Wang Longxi王龍溪 (Wang Ji王畿 1498- 1583), dont les théories correspondent aux caractéristiques de l’enseignement parfait, pour établir un concept du summum bonum novateur.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".