Mise en œuvre de la protection des sources d’eau potable : Portrait-diagnostic au Québec, Canada
Notice bibliographique
Résumé
Au Canada, l’approche à barrières multiples permet une gestion multidimensionnelle de l’eau à l’aide d’outils et de pratiques permettant d’assurer une eau de qualité, de la source (lac, rivière, etc.) au robinet des citoyens. Une de ces barrières, la protection des sources d’eau potable (PSEP), cherche à anticiper ou à réduire les risques naturels et anthropiques qui pourraient altérer les sources. Cependant, la mise en œuvre de la PSEP impose d’acquérir des connaissances multidisciplinaires portant sur la qualité, la quantité de l’eau et sur les composantes naturelles et socio-économiques du territoire. Dans l’optique de mieux comprendre la mise en œuvre de la PSEP au Québec, cet article vise à dresser un portrait-diagnostic permettant d’identifier le processus décisionnel servant à la mise en œuvre de la PSEP, ses intervenants et les connaissances produites et mobilisées pour la prise de décision. Ce portrait se base sur une enquête en ligne réalisée entre novembre 2018 et mars 2019 à laquelle ont participé 208 intervenants liés à la PSEP au Québec. Les analyses qualitatives et quantitatives ont permis de constater que la mise en œuvre de la PSEP implique une grande diversité d’intervenants, de tâches et de connaissances créées et se caractérise par un fort dynamisme inter-organisationnel. Cependant, on constate que son processus décisionnel perd en inclusivité au fil des étapes de mise en œuvre, que les connaissances sont parfois redondantes et qu’il existe de nombreux enjeux de transfert de connaissances (accès, quantité ou qualité des connaissances) entre les intervenants.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,005 | 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 ».