L’eau, source de savoirs : analyse de situations d’expertise dans des bassins versants agricoles
Notice bibliographique
Résumé
Préserver la qualité de l’eau nécessite de mobiliser puis de partager des connaissances multiples. Partant du constat que sur le terrain, les différents acteurs conjuguent une diversité de savoirs, nous analysons en tant que situations d’expertise des démarches de protection de l’eau sur deux aires d’alimentation de captage. Sont mis en évidence quatre points clés caractérisant les liens entre les savoirs mobilisés et les solutions construites, et permettant d’éclairer les difficultés à élaborer des solutions pertinentes localement : (i) l’activité cognitive ou la production de connaissances n’est pas vue comme une pratique sociale et une activité épistémique où des savoirs pourraient s’échanger, être partagés et être remis en cause. Les situations de controverses sont évitées pour engager au plus vite l’action ; (ii) les savoirs de l’expérience sont très peu mobilisés comme modèles de causalités pertinents par rapport aux autres modes de connaissances (expérimentation, modélisation, SIG) ; (iii) la connaissance sociale de la situation n’est pas intégrée dans le diagnostic même si le jeu social pèse finalement sur la mise en œuvre d’actions ; (iv) les actions envisagées résultent finalement de la réduction des possibles par leur passage au travers un double filtre : celui des modalités de diagnostics (expertise constituante) qui tend aujourd’hui à encourager l’adaptation de pratiques plutôt que des changements de modèle et celui des décisions acceptables par les différents groupes sociaux (expertise légitime).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».