Bibliographic record
Abstract
Les organisations autonomes décentralisées (DAO) sont de nouveaux modèles d’entreprise qui émergent avec le Web 3.0. Elles permettent à des individus et des institutions de collaborer sans se connaître et sans se faire confiance. Les DAO sont donc conçues pour organiser une communauté d’inconnus autour d’un projet commun où la confiance en la technologie remplace la confiance en l’associé. Leur nature favorise une coopération horizontale, ce qui devrait, par conséquent, réduire les risques de comportements opportunistes par une minorité. Pour certains, il n’y aurait, ainsi, aucun intérêt à se soumettre à un cadre légal contraignant pour limiter les risques d’actions opportunistes. Il existe actuellement des milliers de DAO, dont certaines sont structurées comme des sociétés, d’autres comme des sociétés à responsabilité limitée, d’autres encore comme des associations à but non lucratif non constituées en société et enfin certaines comme des entités étrangères. Cependant, la plupart des DAO ne s’associent à aucune forme juridique particulière. La responsabilité des participants à la DAO, en cas de faute, constitue l’un des défis les plus importants de l’organisation. Sans responsabilités et sans sanctions, l’organisation ne pourra être utile et dépasser les limites de l’environnement numérique. Afin de mettre la DAO à l’épreuve, nous testerons les difficultés structurelles pour le droit des sociétés à l’encadrer. Les solutions du droit des sociétés semblent, cependant, assez peu praticables, puisqu’elles finissent toujours par retourner vers une forme de centralisation incompatible avec la DAO. D’autre part, ces véhicules juridiques occultent systématiquement le rôle du curateur au sein de l’organisation. Une prospection dans des pans connexes du droit, alliant des éléments du droit des sociétés et du droit de la fiducie, comme avec le business trust américain, pourrait par contre ouvrir des perspectives intéressantes pour l’encadrement de la DAO.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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; both teacher heads agree on what is shown here.
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".