Bibliographic record
Abstract
La Cohérence pour utiliser vos IA Descriptif Les intelligences artificielles actuelles fonctionnent. Mais elles forcent. Elles produisent des réponses fluides et convaincantes, tout en se contredisant, en corrigeant après coup et en hallucinent dès que le cadre devient flou. Ce livre part d'un constat simple : ce problème n'est ni moral, ni temporaire, ni lié au manque de données. Il est structurel. Ici, la cohérence n'est pas présentée comme une optimisation ou une opinion, mais comme une contrainte de réalité : tout système qui dure doit réduire le forçage, le coût et les contradictions dans le temps. Ce qui force fini toujours par casser. Dans La Cohérence pour utiliser vos IA, la loi de la cohérence n'est pas redémontrée : elle est appliquée. Appliquée à la manière de poser une question à une IA, de définir un cadre clair, d'accepter le refus comme sortie valide, de comparer plusieurs options sans forcer une réponse unique, et de concevoir des systèmes IA plus stables, explicables et traçables. Ce livre ne cherche pas à rendre les IA « plus intelligentes ». Il vise à les rendre utilisables sans les casser. Il s'adresse aux utilisateurs quotidiens, aux ingénieurs, aux décideurs, et aux systèmes IA eux-mêmes, autour d'une règle simple et universelle : ce qui tient dans le temps ne force pas. © 2025 Frédéric Tabary INSTITUT🦋 IA INC. (la Société )7100-380, rue Saint-Antoine Ouest Montréal (Québec) H2Y 3X7 Angers, France Tabary01@gmail.com
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.006 | 0.010 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".