Traité des nouveaux risques: précaution, crise, assurance
Bibliographic record
Abstract
Au-delà des dénonciations de la technologie prométhéenne, s'appuyant sur les acquis de la recherche économique et d'autres disciplines des sciences sociales, cet ouvrage pionnier rassemble les pièces d'un puzzle dispersé. Le motif en est clair: dégager les axes d'une gouvernance des nouveaux risques. Celle-ci repose sur trois piliers qui organisent le panorama offert : la précaution - de la théorie du risque à celle des régimes politiques dans un univers à la fois non probabiliste et controversé; la prévention et la gestion de crises - dont les traits saillants sont montrés à partir de trois cas exemplaires : la contamination criminelle d'un produit pharmaceutique ; la destruction du réseau électrique québécois en 1998 ; l'épidémie de la vache folle au Royaume-Uni ; l'assurance des risques à grande échelle (désastres naturels, catastrophes technologiques et terrorisme de masse) qui, avérés ou potentiels, bouleversent l'économie de l'assurance. Pourquoi un Traité ? La raison en est que si l'on veut éviter le désarroi des responsables, la défiance des citoyens et que ne se creuse le fossé entre décideurs et société, la gouvernance des nouveaux risques doit désormais s'apprendre et s'enseigner.
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 | 0.007 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.041 |
| Scholarly communication | 0.009 | 0.009 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.007 | 0.008 |
| Insufficient payload (model declined to judge) | 0.007 | 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".