Experimental Wars: Learning and Complexity in Counterinsurgency
Notice bibliographique
Résumé
How do policymakers learn to solve complex policy problems? I offer an explanation based on a plurality of policy learning processes. Policymakers learn in multiple ways, thereby grappling with the complexity of their environment. I identify three methods of learning. Learning by paradigm deploys systematic assumptions. Learning by doing employs ad-hoc experiments. Learning by simulation replicates others thoughts and intentions. The three vary in their aptitude to dealing with complexity: learning by doing is most so, and by paradigm least, with simulation falling in between. The most effective approach to complexity will involve combining methods. I apply these to learning in counterinsurgency. I take as cases manuals: documents reflecting what their authors learned. I focus on three such cases. The Hessian officer Johann Ewald served the British for eight years, in the American Revolutionary War. He subsequently wrote of the earliest manuals of irregular war in the European tradition. C. E. Callwell, a prominent Victorian military officer, was the author of the most influential British small wars manual of his generation. He served in the Boer war, among many others. David Galula, a French officer who served in East Asia and in Algeria, is perhaps the most influential counterinsurgency theorist-practitioner on record. I trace their learning processes, as documented in their autobiographical writings, explaining the learning outcomes documented in their manuals. I find those who learn in multiple ways are most adaptive to complexity. Galula was most effective at doing so, and Callwell least so, with Ewald falling in between.
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 | 0,017 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,019 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 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 ».