Dangerous environments: environmental peacebuilding’s technomoral imaginary and its power-knowledge effects
Notice bibliographique
Résumé
In this article we critically analyze the emerging academic field and practice of environmental peacebuilding. We claim that both are saturated by a particular “technomoral imaginary” or a set of beliefs, normative assumptions, and views on desirable futures that betray unwavering faith in the power of science and technology to bring peace and development to the Global South by transforming environmental governance. This imaginary informs particular rules of knowledge production that work to establish environmental peacebuilding as a conceptually narrow and self-referential field. Zooming in on an environmental peacebuilding project in eastern Democratic Republic of Congo, we demonstrate how the self-referentiality of knowledge production within the field leads to inadequate analyses of key drivers of conflict and violence. Moreover, it blinds scholars and practitioners to the broader power-knowledge effects of environmental peacebuilding, including its complicity in conjuring up “dangerous environments.” By the latter, we refer to the portrayal of environments in the Global South as potential security threats due to various lacks and deficiencies ascribed to these regions, which contributes to the reproduction of a “global environmental color line.” The conjuring up of dangerous environments embeds environmental peacebuilding within a Global-North dominated, colonially influenced apparatus of security and development whose interventions integrate places more firmly into circuits of global capitalism and global governance. To reckon with these power-knowledge effects, environmental peacebuilding must display more self-reflexivity regarding the politics of knowledge production on the Global South.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».