Quels instruments de couverture pour la gestion du cyber-risque ?
Bibliographic record
Abstract
L’article s’intéresse au cyber-risque en tant que menace émergente pour la stabilité de l’économie mondiale. Aujourd’hui, le paysage des risques tout entier semble subir de profonds changements sous l’effet de la digitalisation. Le défi consiste alors à trouver un compromis entre les avantages escomptés de la numérisation et les risques inhérents aux nouveaux modèles économiques qu’elle impose. Le remodelage de la cartographie des risques mondiaux sous l’effet du cyber-risque impose une réflexion sur la nature de ce risque et ses conséquences, mais nécessite surtout des réponses en matière de couverture. En effet, bien que le marché de la cyber-assurance réagisse à cette nouvelle catégorie de risques, l’offre de cyber-produits demeure en deçà des attentes des acteurs. L’article présente le concept de cyber-risque pour ensuite mettre l’accent sur la question de l’anticipation, de la mesure et de la quantification du cyber-risque. L’article décrit également les progrès accomplis en matière de mise en oeuvre d’un cadre de gestion du cyber-risque, notamment grâce aux travaux de l’Organisation de coopération et de développement économique (OCDE). L’article discute enfin de nouvelles pistes de réflexion pour la couverture du cyber-risque au sein des marchés financiers et l’utilisation des produits dérivés, principalement les titres assurantiels (Insurance-Linked Securities ou ILS).
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 | 0.014 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.018 |
| Scholarly communication | 0.014 | 0.017 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.020 | 0.002 |
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".