Des indicateurs au concept « couteau-suisse », la résilience au prisme d’une géographie du post-conflit
Bibliographic record
Abstract
Le concept de résilience est récemment entré dans le champ du développement, notamment en géographie. Dans le cadre de nos recherches, nous l’avons utilisé en tant qu’outil scientifique de mesure de l’évolution des territoires et des dynamiques de la population dans le cadre de situations post-conflictuelles. La résilience permet en effet de disposer d’un panel d’indicateurs qualitatifs et territorialisés aptes à « mesurer » l’efficacité et la réalité de la reconstruction après des conflits et d’en proposer une cartographie. Mais le concept de résilience, depuis le début des années 2010 et surtout après la Conférence de Sendai (2015), a été transféré, avec un succès mitigé, du champ environnemental vers le champ humanitaire, devenant pour les institutions internationales et les ONG une sorte de « couteau-suisse » conceptuel et opérationnel commun aux différents acteurs, regroupant l’ensemble des actions à réaliser dans la période post-conflit. Il constitue dès lors un nouveau paradigme d’intervention sur les territoires en crise, et, tout comme le concept de post-conflit, il doit être analysé en tant qu’instrument de gestion ayant des répercussions sur les territoires et la population. Nous montrerons donc comment la résilience peut être utilisée en géographie du post-conflit, et ferons émerger des pistes d’analyse territoriale et les enjeux du concept.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.003 | 0.022 |
| Scholarly communication | 0.007 | 0.009 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 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".