La (non)politisation des opérations militaires internationales lors des campagnes électorales françaises et canadiennes
Bibliographic record
Abstract
Traditionnellement, les politiques publiques relatives aux Affaires étrangères et à la Défense se caractérisent rarement par une forte implication de l’opinion publique. Il n’est pas rare ainsi de parler de déficit démocratique sur les enjeux liés aux participations à des interventions militaires internationales. Les consensus existant parfois entre les partis de gouvernements sur ces questions favorisent certes la cohérence et la continuité de ces politiques publiques, mais entraînent généralement une absence de politisation de ceux-ci. Une mise à l’agenda est toutefois possible. L’élection générale de 2015 ayant amené au pouvoir les libéraux de Justin Trudeau au Canada en est justement un bon exemple, avec le cas de la participation canadienne à la coalition internationale contre Daech. A contrario, on ne peut que constater l’absence de politisation de la contribution française à cette même intervention internationale, en particulier lors des campagnes électorales nationales de 2017, et ce alors que Paris fut le deuxième contributeur de celle-ci après les États-Unis. Dans un contexte national marqué par les attentats de 2015 puis de 2016, seules les questions de l’élargissement de la contribution française au territoire syrien et des relations à entretenir avec le régime de Bachar el-Assad connurent une certaine politisation. Ces différences en termes de politisation interrogent sur les modalités de celle-ci, sur les conditions favorisant son émergence, ainsi que sur les conséquences de la politisation sur la nature et la mise en oeuvre d’une politique publique. L’objectif de cet article est d’analyser les processus de politisation, ou non, des interventions militaires internationales au sein des démocraties occidentales – en particulier lors de campagnes électorales – en prenant pour cas d’étude la France et le Canada lors de la guerre contre Daech.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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 teacher head, 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".