Bibliographic record
Abstract
L’accent mis sur la tolérance laisse sans réponse quelques questions simples que l’on peut résumer comme suit : comment se fait-il qu’un même acteur, caractérisé, entre autres, par un ensemble d’attitudes envers l’altérité, donc par un certain degré de tolérance, « tolère » certaines manifestations de cette altérité, mais pas d’autres ? Est-il tolérant (parce qu’il en tolère certaines) ou intolérant (parce qu’il en est d’autres qu’il ne tolère pas) ? Faut-il comprendre qu’il est ipso facto les deux à la fois ? Quel sens faudrait-il alors accorder à l’adjectif « tolérant » ? Pour dépasser cette apparente contradiction, il peut être utile de recourir à un autre concept, celui de la tolérabilité, plus ou moins grande, des manifestations d’altérité elles-mêmes. Ce texte est consacré à l’examen de cette hypothèse ainsi qu’à son opérationnalisation en vue de s’approcher, le cas échéant, de son contenu empirique.
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 | 0.006 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.035 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.004 |
| 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".