Les conditions de la résilience des services urbains parisiens par l’apprentissage collectif autour des interdépendances
Notice bibliographique
Résumé
Si le concept de résilience, avec ses notions d’absorption, d’adaptation et d’apprentissage à l’occasion d’une perturbation, semble prometteur pour la gestion des villes exposées aux risques, il manque aujourd’hui d’opérationnalité. Notre recherche vise alors, non pas à définir ou évaluer les caractéristiques de la résilience urbaine, mais à construire une démarche collaborative visant à développer une connaissance partagée et améliorer la coordination entre gestionnaires de la ville. En particulier, notre travail porte sur les services urbains qui ont montré leur importance dans la propagation des perturbations et dans le maintien et le rétablissement des fonctions urbaines pendant et après une crise. Sur la base de données collectée lors d’entretiens avec les gestionnaires des services urbains parisiens, des ateliers collaboratifs ont été organisés avec l’appui de la Ville de Paris. Ils ont permis d’améliorer la connaissance commune des interdépendances des services urbains puis de modéliser les stratégies mises en place par chaque service dans le cadre de leur préparation au risque de crue centennale. L’analyse de ces résultats montre la complexité de la situation de la métropole francilienne face au risque d’inondation et le besoin d’une gestion intégrée des grands services urbains : transports, énergie, eau, déchets, télécommunications. L’approche collaborative répond alors au besoin de communication et de coordination exprimé par ces acteurs fortement interdépendants et favorise l’élaboration de solution intégrée et contribuant à la résilience de la ville.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».