Comparer les espaces régionaux : stratégie de recherche et mise à distance du nationalisme méthodologique
Bibliographic record
Abstract
Résumé Comment construire un cadre analytique comparatif ? Quelles stratégies empiriques le chercheur doit-il ensuite déployer dans la collecte des données ? Cet article cherche à apporter des éléments de réponse à partir d’expériences variées de comparaison sur les régions en Europe. Le premier défi est de penser l’espace regional en tant qu’unité d’analyse du changement politique afin de mettre à distance le nationalisme méthodologique et, ainsi, rendre possible la comparaison entre les régions et leurs différentes les traditions politiques, les valeurs sociales ou cultures. Cela suppose donc de considérer le territoire non pas comme un simple receptacle de dynamiques exogènes, mais comme un espace institutionnalisé, producteur de logiques autonomes de pouvoir. Le second défi consiste à mettre au service de la démonstration un matériau empirique riche et varié dans le but de construire un point de vue original et argumenté sur le phénomène étudié. Ce traitement croisé de données qualitatives et quantitatives permet une densification de ce que l’on peut qualifier de faisceaux d’indice empirique. C’est en effet en collectant un large matériau empirique concordant que l’on peut être en mesure d’établir des relations de causalité entre les phénomènes étudiés et donc mieux appréhender et informer les paramètres du pouvoir regional
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 | 0.092 | 0.120 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.009 | 0.017 |
| Science and technology studies | 0.005 | 0.013 |
| Scholarly communication | 0.019 | 0.017 |
| Open science | 0.004 | 0.012 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".