MétaCan
Menu
Retour à la cohorte
Enregistrement W2993469105 · doi:10.4000/vertigo.26117

Contribution à l’étude des barrières et des leviers d’action face au changement climatique

2019· article· fr· W2993469105 sur OpenAlexvenueno aff
Oumar Marega, Séverine Frère, Anne-Peggy Hellequin, Hervé Flanquart, Iratxe Calvo-Mendieta, Baptiste Berry, Sophie Cornet

Notice bibliographique

RevueVertigO · 2019
Typearticle
Languefr
DomaineSocial Sciences
ThématiqueClimate Change Communication and Perception
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical scienceGeographyArt

Résumé

récupéré en direct d'OpenAlex

L‘adoption des stratégies individuelles de lutte face au changement climatique est un enjeu majeur aussi bien sur le plan scientifique et environnemental que sur le plan sociétal. Cet article étudie dans quelle mesure les perceptions des populations ainsi que les contextes territoriaux peuvent être des barrières et/ou des leviers d’action face au changement du climat. La démarche s’appuie sur une étude comparée entre les communes de Lille et de Chauny, deux territoires proches sur le plan climatique, mais différents sur le plan géographique et socio-économique. Les résultats démontrent une diversité de perceptions et des stratégies de lutte que l’on peut attribuer à deux facteurs clés : le contexte géographique et les variables socioéconomiques des personnes enquêtées. Au niveau des perceptions du changement climatique, on constate une diversité liée au ressenti individuel des personnes enquêtées ; à leur niveau d’étude et à l’influence des principales sources d’information. Sur le plan des stratégies de lutte, des corrélations significatives existent entre les mesures adoptées et les niveaux de vie des populations enquêtées. Sur nos deux sites d’études, l’essentiel des mesures mises en avant va dans le sens de l’atténuation du changement climatique. Par ailleurs, le développement de ces actions d’atténuation est plus manifeste à Lille qu’à Chauny. Un des facteurs explicatifs de cette différence notable renvoie au contexte territorial et économique des deux sites.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,107

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,002
Communication savante0,0030,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,314
Tête enseignante GPT0,430
Écart entre enseignants0,116 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVertigOMême sujetClimate Change Communication and PerceptionTravaux en français237 207