Et si la recherche scientifique ne pouvait pas être neutre ?
Bibliographic record
Abstract
Les manières de faire de la science aujourd’hui sont multiples et innovantes. Pourtant, un modèle normatif continue d’écraser les autres : le modèle positiviste. Il soutient que la science vise l’étude objective de la réalité en s’appuyant sur l’application rigoureuse de la méthode « scientifique » dont la neutralité est un des emblèmes. Cette vision est vivement contestée dans plusieurs champs de recherche, tels que les études sociales des sciences, l’histoire des sciences et les études féministes et décoloniales. Ces critiques considèrent que les théories scientifiques sont construites et influencées par le contexte social, culturel et politique dans lequel travaillent les scientifiques, ainsi que par les conditions matérielles de leur travail. Cet ancrage social de la science rend impensable, pour ces critiques, l’idée même de neutralité. Faut-il donc renoncer à cette exigence normative? Par quelle autre norme la remplacer? \n \nNé d’un colloque tenu en 2017 à Montréal, ce livre propose les réflexions et analyses de 25 auteurs et autrices issues de sept pays sur ces questions. Études de cas, analyses réflexives et discussions théoriques s’entrecroisent pour permettre une réflexion collective approfondie sur ces enjeux anciens, mais constamment renouvelés, notamment dans le contexte du nouveau statut précaire de l’expertise scientifique dans l’espace public.
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 | 0.082 | 0.111 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.008 | 0.071 |
| Scholarly communication | 0.034 | 0.032 |
| Open science | 0.004 | 0.010 |
| Research integrity | 0.010 | 0.017 |
| Insufficient payload (model declined to judge) | 0.009 | 0.004 |
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".