Bibliographic record
Abstract
Cet article traite du gouvernement des métropoles. Après avoir dans une première partie clarifié les notions de gouvernement, gouvernance, gouverner et gouvernabilité ainsi que celle de métropole, l’auteur s’intéresse aux très nombreuses tentatives de création d’un gouvernement métropolitain au cours des dernières décennies. Il dresse ainsi un bilan sévère mais réaliste des échecs et des demi-succès des réformes institutionnelles engagées dans la plupart des pays démocratiques mais aussi des initiatives plus récentes qu’il renferme sous la notion de gouvernance (planification stratégique, « new regionalism », coopérations entre acteurs, régimes politiques urbains, etc.). Dans un second temps, il explique ce bilan plutôt négatif par la permanence d’obstacles non résolus comme le rôle ambigu des États, la réticence, voire l’opposition des collectivités locales et des villes centre et enfin le refus des populations au travers des instruments de la démocratie locale. Une dernière partie met l’accent sur l’importance de l’action politique et sur les deux chantiers principaux qu’elle doit mettre en oeuvre pour faire des métropoles des territoires politiques : la construction d’une identité métropolitaine et celle d’un leadership territorial, faute de quoi le gouvernement métropolitain demeurera improbable.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.007 | 0.015 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".