Construire des compétences d’adaptation aux changements climatiques, grâce à l’éducation relative à l’environnement
Bibliographic record
Abstract
Depuis le début des temps, les humains se sont adaptés aux modifications de leur environnement, réagissant par ajustement corporel, par acclimatation ou par des pratiques culturelles et technologiques. Les humains peuvent ainsi transformer leur alimentation, leurs vêtements, leurs habitations… La qualité des mesures d’adaptation choisies dépend de la compréhension du contexte par les acteurs, de leurs compétences et de leur intention d’agir. L’éducation relative à l’environnement (ERE) peut renforcer la résilience et l’adaptation des citoyens aux changements climatiques. Certaines pratiques pédagogiques propres à l’ERE peuvent être mises à profit pour accompagner les citoyens pendant qu’ils analysent les problèmes locaux, prédisent les impacts des changements climatiques et proposent des mesures d’adaptation. Ces pratiques encouragent le développement de compétences telles que l’analyse du milieu, la résolution de problèmes et la pensée prospective. Des adultes en alphabétisation ont été observés pendant qu’ils cheminaient dans la proposition de mesures d’adaptation aux impacts des inondations en agriculture. Des idées d’adaptation efficaces ont été proposées par ces adultes grâce aux compétences et pratiques particulières du groupe (connaissance endogène du terrain, façon expérientielle de résoudre un problème, pensée prospective large, attitude de persévérance face aux situations complexes…), de même que grâce à un accompagnement qui favorise le renforcement de compétences en matière de résolution de problèmes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.006 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".