Une approche raffestinienne pour analyser les verrous qui empêchent la réduction des inégalités ?
Bibliographic record
Abstract
Il est maintenant connu et démontré que les inégalités de tous types génèrent des problèmes socioéconomiques graves, des problèmes environnementaux, et que les deux se nourrissent et se renforcent mutuellement. D’aucuns sont d’accord pour réduire les inégalités ; et les projets innovants et aux impacts positifs sont nombreux, dans toutes les régions du monde. Pourquoi alors les résultats ne sont-ils pas à la hauteur des attentes ? Pourquoi les inégalités continuent-elles d’augmenter, freinant ainsi, empêchant même, par exemple, les efforts pour réduire l’impact des changements climatiques ? Le principal problème pour résoudre cette équation, c’est l’existence de verrous, qui, coincés un peu partout, à différents niveaux géographiques dans les systèmes socioéconomiques et politiques, empêchent d’éliminer les sources des nuisances. Au final, les efforts de réduction des inégalités, à cause de ces verrous, ne peuvent que rester cosmétiques face à l’ampleur des dégâts; au mieux, leurs impacts sont régionaux ou nationaux. L’objectif de cet article est de contribuer à réduire l’impact de ces verrous en les analysant d’une manière multiscalaire. Une telle analyse permettra d’identifier la position relative de ces verrous et les forces qui doivent être mises en œuvre pour les « déverrouiller ». Pour ce faire, une grille d’analyse multiscalaire spatiotemporelle sera utilisée, couplée aux concepts de territoire et de travail (énergie plus information) développés par Raffestin.
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 | 0.012 | 0.030 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.021 | 0.004 |
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".