Bibliographic record
Abstract
La géographie et l’histoire des drogues illégales sont profondément ancrées dans les dynamiques anciennes et actuelles du processus de mondialisation, ainsi que le montre la géohistoire du pavot à opium en Asie. Le pavot à opium parce qu’il fournit un exemple éloquent des relations dynamiques qui ont existé et qui persistent entre l’économie politique et la géographie des drogues illégales d’une part et la mondialisation d’autre part. L’Asie, quant à elle, fournit un espace géographique de référence riche d’enseignement parce que l’on peut estimer que le narcotrafic international y est né et que la plus importante toxicomanie de masse s’y est développée (l’opiomanie chinoise). L’histoire et la géographie de l’opium en Asie doivent beaucoup aux processus d’internationalisation des échanges et de mondialisation, marqués comme ils l’ont été par le commerce intercontinental triangulaire, le protectionnisme économique chinois, les monopoles et autres régies coloniales de l’opium, les guerres impériales sino-britanniques, la genèse de la prohibition mondiale de certaines drogues, les conflits armés nationaux et internationaux consécutifs aux indépendances et à la Guerre froide, etc. La géohistoire de l’opium en Asie montre clairement que le développement du narcotrafic résulte en grande partie de l’intervention étatique à l’échelle mondiale. En fin de compte, la géographie des drogues illégales est à considérer au regard de celle de la distribution mondiale et asymétrique du pouvoir, des richesses et des revenus, et de ses impacts sur les crises et les conflits.
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 | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.017 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".