MétaCan
Menu
Retour à la cohorte
Enregistrement W3000380946 · doi:10.1177/0967010619895660

Becoming war: Towards a martial empiricism

2020· article· en· W3000380946 sur OpenAlexaff
Antoine Bousquet, Jairus Grove, Nisha Shah

Notice bibliographique

RevueSecurity Dialogue · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGeographies of human-animal interactions
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésEmpiricismEpistemologySociologyNormativeSpanish Civil WarAestheticsPolitical scienceLawPhilosophy

Résumé

récupéré en direct d'OpenAlex

Abstract Under the banner of martial empiricism, we advance a distinctive set of theoretical and methodological commitments for the study of war. Previous efforts to wrestle with this most recalcitrant of phenomena have sought to ground research upon primary definitions or foundational ontologies of war. By contrast, we propose to embrace war’s incessant becoming, making its creativity, mutability and polyvalence central to our enquiry. Leaving behind the interminable quest for its essence, we embrace war as mystery. We draw on a tradition of radical empiricism to devise a conceptual and contextual mode of enquiry that can follow the processes and operations of war wherever they lead us. Moving beyond the instrumental appropriations of strategic thought and the normative strictures typical of critical approaches, martial empiricism calls for an unbounded investigation into the emergent and generative character of war. Framing the accompanying special issue, we outline three domains around which to orient future research: mobilization, design and encounter. Martial empiricism is no idle exercise in philosophical speculation. It holds the promise of a research agenda apposite to the task of fully contending with the momentous possibilities and dangers of war in our time.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,158

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0300,021
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,001
Études des sciences et des technologies0,0070,095
Communication savante0,0200,019
Science ouverte0,0020,011
Intégrité de la recherche0,0040,009
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,337
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations93
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSecurity DialogueMême sujetGeographies of human-animal interactionsTravaux en français237 207