Mettre les frontières en nombre : éléments de genèse de la quantification de l’irrégularité aux frontières de l’Union européenne
Bibliographic record
Abstract
En l’espace d’une quinzaine d’années, entre le début des années 1990 et le milieu des années 2000, un réseau d’acteurs opérant au sein des institutions de l’Union européenne va construire un dispositif transnational visant à mettre en nombre, mesurer et comparer différents aspects de l’irrégularité aux frontières des États membres. L’article présente une enquête historique inédite de ce dispositif, étudié à partir d’un de ses points d’émergence, le Centre d’information, de réflexion et d’échanges en matière de franchissement des frontières et d’immigration (CIREFI), créé en 1992 et démantelé en 2010 après sa fusion avec l’agence Frontex. Alors que la construction statistique de l’irrégularité n’a que peu retenu l’attention des études sur les frontières, cette recherche révèle les différentes opérations qui permettent la production de ces statistiques grâce à l’analyse d’un corpus d’archives au travers d’outils théoriques et méthodologiques issus de la sociohistoire de la quantification et des études criminologiques.
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 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".