Bibliographic record
Abstract
De tout temps, le stratège s’est intéressé à l’environnement, non pour le protéger mais pour le malmener. Les grands théoriciens de la stratégie depuis Sun Tse, dans L’Art de la guerre , au V e siècle av. J.-C., ont montré qu’une manoeuvre se réussissait à moindre coût lorsque les données naturelles étaient exploitées avec audace. En contrepartie, les effets sur l’environnement sont peu, voire pas du tout, pris en compte. La guerre et l’environnement sont antinomiques dans nos cultures militaires occidentales. Lorsque l’armée américaine mène une guerre dévastatrice au Viêtnam, entre 1965 et 1973, elle prend bien conscience que le changement du climat ou la défoliation massive de la jungle peut servir ses intérêts tactiques contre le Viêt-cong. En revanche, elle mesure encore peu que la dégradation de l’environnement à grande échelle, relatée par les médias présents sur place et parfois par les géographes, va affecter une grande partie de l’opinion publique internationale. Il en résulte, dès 1976, une prise de conscience de la dégradation de l’environnement en temps de guerre et un début de conception commune en matière de protection dans les conflits armés, puis l’élaboration de stratégies nationales de développement durable dans les années 2000. Mais ce « bon usage de l’environnement par le militaire » reste encore limité aux armées modernes, autrement dit aux pays riches, à des fins moins militaires que politiques. Quelles sont ces stratégies environnementales nouvelles et à quoi peuvent-elles servir dans un contexte international qui prédit de grandes catastrophes écologiques dans le siècle à venir ?
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.032 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".