Bibliographic record
Abstract
L’article propose d’appliquer à l’histoire militaire et, plus précisément, aux récits de campagne à la manière de Clausewitz, les modèles venus des théories mathématiques des jeux et de la décision. Il illustre la méthode en revenant sur la campagne de Waterloo et les hypothèses qu’a suscitées l’échec de Napoléon chez les historiens. Ils ne s’accordent pas sur le sens rationnel de la décision qu’il prit le 17 juin 1815 de lancer le détachement de Grouchy contre les Prussiens battus le 16 à Ligny, mais la théorie des jeux permet dans une certaine mesure de les départager. Une fois obtenu ce résultat, l’article se développe sur le plan réflexif et méthodologique. Il compare les objections qu’on peut faire à sa formalisation et celles déjà élevées contre l’école du « récit analytique », puis amplifiant ses réponses, il examine le conflit des modèles mathématisés du choix rationnel avec le récit, mode d’expression canonique de l’historien. La réconciliation qu’il propose finalement se fonde sur une analyse des concepts de narration, de récit explicatif et de modèle.
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.007 | 0.008 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.044 | 0.005 |
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".