Négocier en faveur d’autrui à l’international. La fabrique française du consensus pour la victoire rwandaise au poste de secrétaire général de la Francophonie en 2018
Bibliographic record
Abstract
La négociation constitue l’un des principes régulateurs des organisations internationales. Bien que largement étudiée en termes matériels (climat, commerce, armement, etc.), elle concerne aussi les conquêtes de postes internationaux, où il arrive de voir des États négocier en faveur de certains de leurs partenaires. Notre article traite justement du cas de l’Organisation internationale de la Francophonie (oif), et analyse l’option française d’une négociation du consensus en faveur du Rwanda à l’occasion de l’élection au secrétariat général de cette organisation en 2018. Après une précision conceptuelle sur la notion de « négociation pour autrui » en Relations internationales, notre texte revient sur les variables historiques des élections à ce poste, avant de dérouler les stratégies opérationnalisées par la France en 2018. On en apprend que le pilotage du multilatéralisme francophone repose sur une démarche hégémonique de la France, facilitée à la fois par des divisions régulières entre Africains, une relative prudence canadienne et une quasi-indifférence des pays asiatiques de la Francophonie. Tout cela oblige la France à tenir une articulation flexible entre ses intérêts, ceux de ses partenaires, et les principes et valeurs portés par cette organisation.
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 | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.010 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| 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".