Bibliographic record
Abstract
Les organisations internationales multiplient ces dernières années les rapports proposant des mesures de la résilience face aux catastrophes ou aux changements climatiques. Mais d'un côté les agences des Nations unies promeuvent la résilience avec d'importants enjeux financiers; de l'autre, elles reconnaissent à mi-mot qu'il n'est pas possible d'estimer ou de mesurer la résilience, ou en tout cas de s'assurer que les différentes méthodes mesurent bien la résilience et non pas un autre construit, comme la pauvreté, ou un proxy, comme la vulnérabilité, etc. Cette situation est paradoxale : comment promouvoir des guides d'application, enjoindre les acteurs locaux à des plans d'action, les gouvernements à lever des fonds, voire suivre le déroulé des projets et les éventuels progrès sur le terrain à partir d'une notion qu'on ne sait pas mesurer? Le champ semble submergé par la multitude des approches théoriques, modèles et cadres d'analyse de la résilience qui émergent continuellement, mais avec peu de liens entre eux. Ce foisonnement des cadres théoriques et modèles semble à son tour alimenter une prolifération des approches méthodologiques de l'estimation et de la mesure de la résilience. Mais de nombreux travaux révèlent que les choix méthodologiques, lorsqu'ils sont mentionnés à défaut d'être justifiés ou argumentés, sont bien plus dépendants de l'accès aux données que des cadres théoriques ou des objectifs de la mesure. Et il semble presque impossible de valider ces estimations pour s'assurer que c'est bien la résilience qu'elles mesurent. C'est la critique la plus radicale que l'on peut adresser à la résilience : s'il n'est pas possible de la mesurer, son utilisation doit rester cantonnée à l'analyse de discours.
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 | 0.004 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".