Learning to feel, learning to fear? Emotions, imaginaries, and limits in the politics of securitization
Notice bibliographique
Résumé
Abstract Despite a growing interest in the role of emotions in world politics, the relationship between emotion and securitization remains unclear. This article shows that persistent, if sporadic, references to fear and emotion in securitization studies remain largely untheorized and fall outside conventional linguistic and sociological ontologies. The tendency to discuss emotion but deny it ontological status has left securitization theory incoherent. This article offers a theoretical reconstruction of securitization where emotion, specifically collective fears, serve as the locus of an audience’s judgment for the practice of securitization. Yet rather than simply accepting that fear facilitates securitizing moves, the article draws on appraisal theory from psychology to argue that collective fear appraisals are often fragile cultural constructs. The generation of these emotional appraisals is often constrained by the limited symbolic resources of the local security imaginary and how agents contest and employ these resources. When the capacity to generate collective fears is constrained, so too is the practice of securitization. An empirical discussion of threat images in US foreign policy is used to explore these constraints. The tendency for securitizing moves to be interpreted as comic underscores the precariousness of social practices seeking to elicit particular collective emotions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,046 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,000 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».