Les capabilités à faire face ou comment repenser la résilience des individus
Bibliographic record
Abstract
Cet article interroge, dans une perspective critique, les liens existant entre capacités à faire face, vulnérabilité et résilience afin de contribuer à la prévention des catastrophes naturelles. Il s’appuie sur une enquête réalisée en 2016 à Port-au-Prince sur le séisme de janvier 2010. Si la notion de capacité à faire face est largement utilisée dans la littérature et chez les professionnels, elle est rarement définie et n’est pas formalisée. Elle est en revanche associée à la réduction de la vulnérabilité et à l’amélioration de la résilience. Au-delà du problème théorique, on se heurte à un problème opérationnel avec l’impossibilité de définir des actions permettant de développer les capacités à faire face à un risque et/ou une catastrophe. Il faut plus largement se demander comment peuvent naître, exister, et de facto s’exprimer ces capacités, et a fortiori, les conditions nécessaires à leur expression. L’hypothèse principale est que ces capacités à faire face peuvent être définies et développées en s’appuyant sur la notion de capabilités définie par A. Sen et M. Nussbaum. Appliquées à la résilience, les capabilités vont désigner non seulement les capacités à faire face individuelles qui permettent à chacun de s’en sortir, de se relever, de se construire, mais aussi les ressources qui permettent d’activer ces capacités ou, le cas échéant, de pallier leur absence. Il est ainsi nécessaire de prendre en compte ce que nous appelons le « contexte capabilitaire » pour comprendre (et augmenter) la résilience des vulnérables.
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.014 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.011 | 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".