"Rebellious underdogs fighting for justice": A theory of politico-ideological mobilisation and violence
Bibliographic record
Abstract
Cette thèse présente les travaux de recherche menés entre 2018 et 2020 au Liban, en Suisse et au Canada. Il s’est agi de mieux comprendre pourquoi des personnes se mobilisent pour des causes et des conflits liés au monde arabe, et d’engager de manière approfondie avec le rôle du sentiment d’injustice dans leurs trajectoires. Le protocole méthodologique reposait sur les entretiens semi-dirigés avec les premiers concernés – des personnes qui se sont mobilisées physiquement, tant de manière non-violente que par le recours à des répertoires d’action violents – et avec des acteurs périphériques, notamment des praticien·ne·s, des chercheuses et chercheurs, des politicien·ne·s, et des acteurs ordinaires de l’entourage des premiers concernés. En outre, des outils complémentaires tels que l’observation ethnographique à l’aide de notes de terrain et l’autoethnographie ont été activés. La thèse met en évidence que le sentiment d’injustice se développe principalement à travers des « chocs moraux », la réactivation de mémoires collectives ainsi que l’influence de ce que l’on pourrait appeler les « entrepreneurs du grief ». A part l’identification d’une injustice perçue comme étant historique, flagrante et collective, deux autres « performances sociales » peuvent être identifiées: La personne s’identifie personnellement avec la situation d’injustice (appropriation) et développe un sentiment de responsabilité qui la pousse à agir pour y remédier (responsabilisation). L’engagement basé sur le sentiment d’injustice (grievance-based engagement) se déroule dans un espace de tension entre le sacrifice pour une « juste cause» et le « goût de la radicalité » - dénotant l’aventurisme et les sensations fortes que peut procurer l’engagement politico-idéologique. La mobilisation doit ensuite toujours être comprise à l’aune des facteurs contextuels et de la « disponibilité biographique » de la personne. La thèse conclut avec des pistes de réflexion sur les politiques et pratiques qui visent à prévenir le phénomène terroriste.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.035 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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; 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".