Réseaux et environnement : regards croisés sur les filières de gestion des Déchets d’Équipement Électriques et Électroniques à Toulouse et à Milan
Bibliographic record
Abstract
Le principal objectif de cet article est d’étudier le cadre institutionnel d’une filière de gestion des déchets par une entrée sur les modalités de gouvernance des réseaux d’acteurs, afin de comprendre comment expliquer les différences d’adaptation des systèmes sociotechniques de gestion des DEEE (Déchets d’Équipements Électriques et Électroniques) italien et français à la mise en œuvre de la directive européenne DEEE ? Cette recherche aborde la construction locale de la filière de gestion en Italie et en France en réponse aux objectifs de territorialisation de la directive DEEE, notamment en menant une comparaison entre les villes de Milan et de Toulouse. Le cadre empirique et théorique est construit pour évaluer le fonctionnement du modèle « Clearing house » au travers des relations entre les acteurs impliqués dans la filière : les citoyens-consommateurs, les collectivités territoriales, le système de distribution, les producteurs d’équipements électriques et électroniques, les éco-organismes, le secteur de l’économie sociale et solidaire (ESS) et les opérateurs de traitement. Le concept théorique des régimes sociotechniques est mobilisé pour étudier cette configuration particulière de filière résultant des interrelations entre les parties prenantes à plusieurs niveaux : 1) dimension normative macro, c’est-à-dire la Directive Européenne relative aux DEEE et sa transposition en France et en Italie ; 2) dimension méso : la mise en œuvre du dispositif réglementaire des DEEE à l’échelle urbaine dans les deux contextes ; 3) dimension micro : c’est à ce niveau que se produisent les changements technologiques majeurs au sein de « niches technologiques ».
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".