Bibliographic record
Abstract
En février 2022, la France a officiellement retiré ses forces armées du territoire malien. Cette annonce est survenue un peu plus de 9 ans après le coup d’envoi de la mission Serval au Mali, elle-même suivie de l’opération Barkhane dans le grand Sahel un an plus tard. Ces deux initiatives avaient pour but de lutter contre le terrorisme, notamment en s’attaquant à des groupes djihadistes, dont Al-Qaïda au Maghreb islamique (AQMI) et Ansar Dine. Si l’arrivée de l’armée française était initialement applaudie, le narratif a connu un revirement important au fil des ans : les soldats français sont rapidement devenus des symboles d’un post-colonialisme, représentant l’ancienne métropole coloniale infiltrée dans les affaires nationales d’une ancienne colonie. Au lendemain du retrait des troupes, il est d’autant plus important de se pencher sur les effets de l’intervention militaire française au Mali, et plus généralement dans la région sahélienne. Les interventions militaires apportent leur lot de conséquences sur le pays hôte, mais également sur les populations locales. On constate donc parmi les grands impacts l’affaiblissement de l’État malien et l’expansion de la crise sécuritaire à l’échelle régionale, mais aussi une restructuration du paysage djihadiste et une dégradation des conditions socio-économiques pour la population. Le retrait des forces françaises laisse donc planer une question particulière : le bilan de Serval et Barkhane s’avère-t-il positif ou négatif pour le Mali?
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 | 0.005 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.007 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.015 | 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".