Session 40: Understanding Policy Narratives Shortcomings and Difficulties in Transcoding Public Policy in Metropolitan Areas
Notice bibliographique
Résumé
Abstract. How does the symbolic violence of political language find expression in the process of metropolization and what dominant rhetorical forms does it take? We have drawn on the results of recent studies of public policy in the urban regions of Naples, Toronto, Montreal, Lyon, Strasburg and Grenoble to call into question the nature of the political narratives used in the metropolitan development of these major urban regions. We draw the conclusion from these studies that the political élites involved (elected representatives, administrative officials and associated experts) are experiencing trouble in finding a credible and legitimate form of discourse at the inter-‐communal level when they try to formulate and justify their priorities for public action at this governmental level in matters concerning territorial planning and development and the promotion of social cohesion. In their different ways of promoting the metropolitan area, one observes a serious failure to convey meaning in their use of political rhetoric devoid of emotion, as also in their professional explanations which fail to galvanize and captivate the public because of their lack of expressive eloquence. To understand how these failings in political narrative illustrate but also explain the ineffective, uncertain and tentative governability of urban institutions, this paper sets out to integrate into a cognitive approach to public policy the effects of context and of territoriality, by calling upon different analytical traditions (includind Cultural Studies and Narrative Policy Analysis). This combinative approach leads us to emphasize in conclusion that the transcoding processes of conveying the local common good can seriously hinder the emergence of a working political order at the metropolitan level. 1 Introduction: Language
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».