Trajectoires et enjeux de l'économie mondiale
Bibliographic record
Abstract
Pourquoi la richesse ? Pourquoi la pauvreté ? Ce sont là deux questions fondatrices de la science économique. Aussi loin qu'à l'époque des Lumières, philosophes et économistes se sont intéressés aux origines du développement économique et au secret de la richesse des nations. Aujourd'hui, dans un monde économique divisé entre pays riches, pays pauvres et pays émergents, les questions liées à la croissance économique - et à sa répartition - sont plus que jamais d'actualité. Plusieurs se demandent si la mondialisation porte en elle le fruit de la croissance économique. D'autres se demandent pourquoi des pays comme les Etats-Unis, le Canada, la France et le Japon sont aujourd'hui si riches, alors que les pays de l'Afrique et de l'Amérique latine restent si pauvres. Par ailleurs, face aux écarts de richesse grandissants entre les pays riches et les pays pauvres, pourquoi l'aide internationale n'arrive-t-elle pas à livrer les promesses du développement ? Comment se fait-il que les économies de la Chine et de l'Inde croissent tant alors que celles de l'Afrique stagnent ? Quelles seront les limites de la croissance des pays émergents et dans quelle mesure celle-ci se fera au détriment des pays développés ? Finalement, quelles leçons faut-il tirer de la dernière crise financière ? (présentation éditeur)
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.029 | 0.004 |
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".