Book Note: Talking About Torture: How Political Discourse Shapes The Debate, by Jared Del Rosso
Notice bibliographique
Résumé
FOLLOWING THE SEPTEMBER 11 ATTACKS and the subsequent “War on Terror,” allegations of torture (or “enhanced interrogation”) sparked intense debates about the rights of the detainees, political accountability, and legality of actions. Today, it is taken for granted that the United States participated in the abuse of detainees at facilities. In Talking About Torture: How Political Discourse Shapes the Debate by Jared Del Rosso1, society’s acknowledgment of torture is not taken for granted. Instead, Del Rosso provides the reader with an analysis on how the discourse on torture in the US transitioned from denial of its existence to acknowledgment. The introductory chapter outlines the purpose of the book, the reason behind focusing on the discourse on torture rather than a direct study of the use of torture, methodology, and goals. In the first chapter, the author sets the foundation by proposing that “torture” is a cultural object associated with certain imagery and meaning. In the past, torture was once a “neutral word within the legal vocabulary”—today, it is a word “packed with moral meaning and humanitarian principles of human rights and inherent dignity.”2
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,008 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».