Notice bibliographique
Résumé
Les organisations internationales multiplient ces dernières années les rapports proposant des mesures de la résilience face aux catastrophes ou aux changements climatiques. Mais d'un côté les agences des Nations unies promeuvent la résilience avec d'importants enjeux financiers; de l'autre, elles reconnaissent à mi-mot qu'il n'est pas possible d'estimer ou de mesurer la résilience, ou en tout cas de s'assurer que les différentes méthodes mesurent bien la résilience et non pas un autre construit, comme la pauvreté, ou un proxy, comme la vulnérabilité, etc. Cette situation est paradoxale : comment promouvoir des guides d'application, enjoindre les acteurs locaux à des plans d'action, les gouvernements à lever des fonds, voire suivre le déroulé des projets et les éventuels progrès sur le terrain à partir d'une notion qu'on ne sait pas mesurer? Le champ semble submergé par la multitude des approches théoriques, modèles et cadres d'analyse de la résilience qui émergent continuellement, mais avec peu de liens entre eux. Ce foisonnement des cadres théoriques et modèles semble à son tour alimenter une prolifération des approches méthodologiques de l'estimation et de la mesure de la résilience. Mais de nombreux travaux révèlent que les choix méthodologiques, lorsqu'ils sont mentionnés à défaut d'être justifiés ou argumentés, sont bien plus dépendants de l'accès aux données que des cadres théoriques ou des objectifs de la mesure. Et il semble presque impossible de valider ces estimations pour s'assurer que c'est bien la résilience qu'elles mesurent. C'est la critique la plus radicale que l'on peut adresser à la résilience : s'il n'est pas possible de la mesurer, son utilisation doit rester cantonnée à l'analyse de discours.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 tête enseignante, 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 ».