Plaidoirie pour pratiquer la recherche autrement. La transition juste en Asie du Sud-Est
Bibliographic record
Abstract
Le rapport publié début 2022 par le Groupe d’experts indépendants de l’UNESCO sur les universités et l’Agenda 2030 alerte sur la nécessité d’une transformation profonde du secteur de l’enseignement supérieur au service de la durabilité mondiale. De son côté, le second volet du sixième rapport d’évaluation du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC), dévoilé le 28 février, révèle l’ampleur d’une menace qui s’est significativement aggravée. En réponse au constat dressé et aux recommandations émises, une Alliance des universités d’Asie du Sud-Est, des pays du Mékong, s’engage autour d’une stratégie d’ouverture vers le monde extra-académique, pour des actions fondées sur la connaissance et des solutions pour et avec toutes les parties prenantes.Dans cette région, les interactions entre les inégalités, les dégradations de l’environnement et les incertitudes quant aux perspectives de croissance future exigent une refonte des stratégies de développement. Pour ce faire, il est de la responsabilité des institutions d’enseignement supérieur et de recherche de contribuer à constituer la prochaine génération de décideurs politiques pour la transition juste ainsi qu’un réseau d’experts en science de la durabilité. C’est au prisme d’un changement de paradigme pour une transition juste que la connaissance pourra innerver les débats sur les politiques publiques à mettre en œuvre.La méthode opératoire proposée par les auteurs dans cet article repose sur quatre leviers complémentaires – la production d’une masse critique de connaissances, la communication, la diffusion scientifique connectée aux sociétés locales et une intensification du renforcement des capacités – au service de la transition juste et des inégalités au Cambodge, Laos, Myanmar, Thaïlande et Vietnam.
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 | 0.027 | 0.062 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.009 | 0.007 |
| Scholarly communication | 0.020 | 0.019 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.006 | 0.012 |
| Insufficient payload (model declined to judge) | 0.049 | 0.013 |
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".