Ce qui ne tue pas rend-il plus fort ?
Bibliographic record
Abstract
Comment expliquer que les organisations internationales, bien que sans cesse menacées par des situations de crise, fassent pourtant preuve d’une telle longévité ? Dans un contexte de durcissement des relations internationales (marquées par la montée du bilatéralisme et du protectionnisme de la part des États, les États-Unis en tête), les organisations internationales sont sujettes aux crises, aux contestations, aux critiques tant externes qu’internes. Pour autant, cette période contemporaine de turbulences, comme celles qui l’ont précédée dans l’histoire des institutions multilatérales, ne signe pas leur disparition. Empiriquement, ces institutions parviennent à absorber les chocs en adaptant plus ou moins visiblement leurs mandats et leurs architectures institutionnelles. En s’appuyant sur les travaux conséquents sur les crises et sur les organisations internationales, cet article introductif propose de dépasser l’étude de la nature des « crises » pour se focaliser sur l’étendue et la diversité des réponses qui leur sont apportées. De « l’absence de réponse » à la « réforme d’adhésion », les différents cas empiriques étudiés dans ce numéro spécial sont autant de preuves de la plasticité de ces institutions souvent trop vite condamnées à l’échec en raison de leur lourdeur bureaucratique.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.014 |
| Scholarly communication | 0.014 | 0.018 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".