Apport de la sociologie à l’étude de la réduction d’usage des antibiotiques
Notice bibliographique
Résumé
Pour réduire l’usage des antibiotiques en élevage, divers travaux en sciences biotechniques visent à concevoir et identifier des solutions zootechniques ou thérapeutiques alternatives aux antibiotiques. Cependant, au-delà de ces solutions techniques, des facteurs humains et sociaux déterminent les décisions de prescrire et d’administrer ou non des antibiotiques. L’article met l’accent sur ces facteurs et dresse une synthèse des travaux menés en sciences humaines et sociales en France sur la réduction de l’usage des antibiotiques dans différentes filières animales et leurs contributions pour relever ce défi. Trois contributions majeures ont émergé, à différentes échelles. La première consiste en une meilleure compréhension des processus de changement de pratiques opérés par les éleveurs pour réduire l’usage des antibiotiques dans leur élevage : identification des freins et motivations des éleveurs pour opérer ce changement, caractérisation de trajectoires de changement y compris les contextes dans lesquels elles sont réalisées, et des outils mobilisés par les éleveurs pour y parvenir. Une seconde contribution porte sur la compréhension du rôle des réseaux d’acteurs des éleveurs dans ces processus de changement : rôle du conseiller d’élevage et du vétérinaire et de leur relation de travail avec l’éleveur ; rôle des pairs pour expérimenter de nouvelles pratiques. La dernière contribution porte sur la compréhension et la conception de modes de gouvernance collectifs pour réduire l’usage des antibiotiques en élevage : analyse de la prescription vétérinaire et de ses évolutions, du rôle des acteurs des filières pour une action concertée et de la dynamique impulsée par le plan EcoAntibio. Quelques pistes sont évoquées pour approfondir ces travaux.
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 | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».