Science fiction in military planning—Case allied command transformation and visions of warfare 2036
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This article focuses on using science fiction for military purposes to anticipate the future of warfare and presents a new tool for creating military science fiction. As technology is a significant driver in the future of warfare, science fiction has increased its popularity for military purposes. Armies and defense organizations have begun utilizing science fiction to anticipate and prepare for future wars. Examples can be found in Canada, the United States, the United Kingdom, France, Australia, and NATO. Even though military sci‐fi is on the rise, there is a lack of a more profound analysis of the sci‐fi narratives of the military and its foundations. Allied Command Transformation's, (NATO's Strategic Warfare Development Command) report called Visions of Warfare 2036 (2016) exhibits an example of military‐based science fiction employed to anticipate and get prepared for the future of warfare. It includes 12 narratives of the future of warfare varying from gene‐manipulated soldiers to AI‐generated warfare. By analyzing the report qualitatively using the Atlas.ti program and manual methods, the basic elements of the stories were identified. One of the findings of the analysis was that the stories were somewhat similar to each other. To create more diverse military science fiction scenarios, a new tool: the Military Science Fiction Scenario Card was created. This tool can be used in practical work when thinking about the war of the future and in particular the role of technology in it. It can also be seen as a new tool in the field of futures research.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle