MétaCan
Menu
Retour à la cohorte
Enregistrement W4388194708 · doi:10.20870/revue-set.2023.43.7813

Promouvoir le génie végétal au Québec

2023· article· fr· W4388194708 sur OpenAlexaffabout
André Evette, Monique Poulin, Marylise Cottet, Clémence Moreau

Notice bibliographique

RevueSciences Eaux & Territoires · 2023
Typearticle
Languefr
DomaineAgricultural and Biological Sciences
ThématiqueInvertebrate Taxonomy and Ecology
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésHumanitiesMathematicsPolitical scienceCombinatoricsArt

Résumé

récupéré en direct d'OpenAlex

Au Québec, l’intérêt pour le génie végétal (i.e. l’utilisation de végétaux vivants pour lutter contre l’érosion) sur les berges de cours d’eau est croissant, malgré les contraintes particulières comme la glace, une forte présence du batillage ou les argiles sensibles. Cet article vise à identifier les freins et les leviers pour une plus grande utilisation du génie végétal au Québec, en se basant sur un atelier qui a réuni en octobre 2022 une trentaine d’intervenants du domaine. Quatre types de freins ont été identifiés : ceux liés 1) à la gouvernance institutionnelle et à la réglementation (par exemple, la complexité de certains règlements et leurs changements constants) ; 2) à la perception et à l’acceptabilité des ouvrages (ainsi, leur mise en place remet en cause certains usages et le droit de propriété) ; 3) à la gestion d’un projet et à sa temporalité (par exemple, la conciliation des calendriers liés à la faune piscicole et à la période de croissance des boutures) ; et enfin, 4) au manque de connaissances et de formation (comme l’illustre par exemple le cloisonnement entre les connaissances en écologie et en génie). Si des leviers ont été identifiés pour chacun de ces freins, des leviers plus globaux ont également été ciblés, comme le développement d’une communauté de praticiens fédérant un collectif motivé, ou encore l’écriture d’un guide technique et réglementaire qui pourrait servir de référence de base pour la diffusion de ces techniques.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,177

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0040,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0130,001

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,239
Écart entre enseignants0,203 · 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'étudeSans objet
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
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSciences Eaux & TerritoiresMême sujetInvertebrate Taxonomy and EcologyTravaux en français237 207