Dangereusement drones : l’« Af-Pak » comme architecture d’un régime gouvernemental optique biopolitique
Bibliographic record
Abstract
Ce texte s’efforce de montrer que la stratégie de contre-terrorisme poursuivie par l’administration Obama a amplifié et normalisé la pratique contestée de mener des frappes militaires ciblées qu’avait adoptée l’administration précédente à l’aide de drones de combat pour éradiquer des sujets associés au réseau terroriste Al-Qaïda. En évoquant le continuum du régime précédent quant à la doctrine de « frappe préemptive » de l’administration Bush, nous avançons que la guerre des drones est bien en selle avec Barack Obama à ses commandes pour lutter contre le terrorisme. Dans un premier temps, nous retraçons les racines de l’utilisation des drones dans la stratégie militaire américaine, en illustrant comment les assassinats ciblés accompagnant l’avènement des drones s’insèrent dans la transformation du régime gouvernemental de sécurité nationale américain entamé dans le sillage de l’après-11 septembre et axé sur la frappe préemptive. Nous soutenons que l’instauration de ce régime basé sur la vision du chasseur technologique qu’est le drone nous permettra de mettre en relief comment, à travers une domination verticale, s’établit un régime optique capable de discipliner à distance les populations fonctionnant de concert avec la nouvelle stratégie de contre-insurrection. Dans un deuxième temps, nous passons en revue l’application de cette nouvelle tactique secrète de contre-terrorisme dans la zone géopolitique connue comme l’« Af-Pak » pour combattre les forces terroristes (insurgés talibans ou cadres d’Al-Qaïda). C’est devant le constat que l’utilisation des drones chasseurs/tueurs s’est généralisée en Af-Pak que nous interrogeons la dimension nécropolitique de cette stratégie militaire d’assassinats ciblés qui mise sur un régime gouvernemental optique biopolitique.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.000 |
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 teacher head, 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".