Séquence ERC : comment améliorer l’utilisation des méthodes de dimensionnement de la compensation écologique ?
Notice bibliographique
Résumé
L’insuffisance des connaissances, d’outils et de méthodologies partagés est identifiée comme l’une des causes de la faiblesse de l’application en France de la séquence « Eviter, Réduire, Compenser » (ERC) les impacts négatifs résiduels significatifs causés par les projets d’aménagement, plans ou programmes, sur la nature. Cela concerne notamment les méthodes pour évaluer l’atteinte de l’objectif d’absence de perte nette (MAPN). Cet article traite de la question de l’opérationnalité du point de vue des utilisateurs des méthodes c’est-à-dire, des acteurs des territoires concernés par la mise en application de la séquence ERC. Nous analysons la dimension opérationnelle de ces méthodes en nous appuyant sur un cadre théorique original défini par l’ergonomie. La définition de l’opérationnalité proposée dans ces travaux est basée sur trois composantes qui sont l’utilité, l’utilisabilité et l’acceptabilité socio-organisationnelle. Nous associons à ces trois composantes quinze critères déterminés à partir de la bibliographie de référence et de nos enquêtes auprès des acteurs de terrain. Le premier résultat de ces travaux est de démontrer qu’environ la moitié des critères déterminant une bonne prise en compte de la dimension opérationnelle des MAPN ne sont pas considérés par les concepteurs. À ce stade, elle peut s’avérer utile pour guider la conception, se doter d’un vocabulaire commun et ne pas négliger des points peu pris en compte ou simplement « oubliés » jusque-là dans la conception des MAPN en France.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».