Bibliographic record
Abstract
Depuis les annees 1980, les forces armees des divers pays ont enclenche des transformations profondes dans leurs appareils militaires. Ces transformations, mieux connues sous le terme de revolution dans les affaires militaires (RAM), sont caracterisees par deux grands aspects : 1. L’integration des technologies de l’information dans l’equipement militaire; 2. La transformation des structures militaires, afin de mieux saisir le potentiel de ces nouveaux equipements et pour repondre aux nouvelles formes de conflits post-Guerre froide. Or, cette mutation dans « l’art de la guerre » n’est desormais plus l’apanage des forces armees etatiques. Aujourd’hui, elle se repercute egalement dans des armees dites « irregulieres », ou non traditionnelles. Le terrorisme est l’exemple flagrant de ce type de transformation. En effet, depuis quelques annees deja, nous voyons des changements importants se produire dans les groupements terroristes. A la lumiere des differentes analyses faites sur la question du terrorisme et de son fonctionnement, il nous est permis de croire que nous sommes entrain de vivre une « revolution dans les affaires terroristes » (RAT). Au cours de cet expose, nous verrons comment les terroristes exploitent les technologies de l’information a leur avantage. Nous examinerons egalement quelles sont les modifications structurelles qui ont ete apportees aux organisations terroristes pour mieux saisir le potentiel de ces technologies. En definitive, cela nous permettra de voir quelles sont les nouvelles menaces qui emergent de ce lien entre les technologies et le terrorisme.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 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".