Bibliographic record
Abstract
Depuis des siècles, l’Asie du Sud-Est constitue un carrefour de cultures, de commerce et de religions. Sa centralité géographique se traduit maintenant en centralité économique, puisque la région est parvenue à s’imposer comme un maillon essentiel de la production commerciale en Asie. Comment comprendre et anticiper son émergence en tant que pôle de croissance économique majeur non seulement au cœur de l’Asie, mais également dans le monde ?Certains politicologues affirment que la rivalité sino-américaine annonce le retour de la bipolarité ; d’autres voient plutôt l’avènement d’une multipolarité avec les nouveaux joueurs que sont l’Inde, la Russie, le Japon et même le Canada. Une chose est sûre : plus de 60 % du commerce mondial maritime émanent de l’Asie, le tiers du commerce transocéanique international transite par la mer de Chine méridionale et l’Association des nations de l’Asie du Sud-Est (ASEAN) négocie actuellement la plus grande entente commerciale au monde incluant seize pays, dont les plus populeux : l’Inde et la Chine. Tous les points de vue sont exprimés dans ce livre qui, lui, rassemble les plus grands spécialistes de la question pour donner un portrait à jour du contexte géopolitique, social et historique de cette région tout à fait fascinante et complexe.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.005 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".