risque inductif et les valeurs sociopolitiques : perspectives pour le transfert de connaissances
Bibliographic record
Abstract
Dans le cadre de leur travail, les scientifiques sont confrontés à une multitude de choix éthiques influencés par leurs valeurs sociales, politiques, morales et culturelles. Alors que l’existence de certains de ces choix éthiques est relativement évidente, d’autres choix incorporent des considérations éthiques de façon moins apparente. L’un de ces types de choix émerge dans ce que les philosophes des sciences nomment des situations de risque inductif, où l’incertitude inhérente quant à la bonne (ou « objective ») conclusion à tirer, ou interprétation à faire, des données pousse les scientifiques à s’appuyer sur leurs valeurs sociales, politiques, morales et culturelles pour effectuer certains choix méthodologiques. Les situations de risque inductif ne se limitent pas au contexte de la recherche : les personnes courtières de connaissances y sont également confrontées. Cet article présente le concept de risque inductif et résume certaines de ses implications pour le transfert de connaissances. Le risque inductif soulève des enjeux à propos de l’objectivité de la science et du transfert de connaissances, et de l'influence légitime ou illégitime de la science et du transfert de connaissances sur la prise de décision dans une société démocratique, où les scientifiques ne se font pas élire par les citoyens et citoyennes, mais exercent néanmoins une influence importante sur les politiques publiques. Cet article vise à familiariser la communauté de recherche et de pratique en transfert de connaissances avec ces enjeux que pose le risque inductif, avec l’espoir que la conscientisation et la réflexivité constituent un premier pas en vue d’aborder ces questions.
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 | 0.023 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.006 | 0.042 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.003 | 0.006 |
| 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".