L’eau, source de savoirs : analyse de situations d’expertise dans des bassins versants agricoles
Bibliographic record
Abstract
Préserver la qualité de l’eau nécessite de mobiliser puis de partager des connaissances multiples. Partant du constat que sur le terrain, les différents acteurs conjuguent une diversité de savoirs, nous analysons en tant que situations d’expertise des démarches de protection de l’eau sur deux aires d’alimentation de captage. Sont mis en évidence quatre points clés caractérisant les liens entre les savoirs mobilisés et les solutions construites, et permettant d’éclairer les difficultés à élaborer des solutions pertinentes localement : (i) l’activité cognitive ou la production de connaissances n’est pas vue comme une pratique sociale et une activité épistémique où des savoirs pourraient s’échanger, être partagés et être remis en cause. Les situations de controverses sont évitées pour engager au plus vite l’action ; (ii) les savoirs de l’expérience sont très peu mobilisés comme modèles de causalités pertinents par rapport aux autres modes de connaissances (expérimentation, modélisation, SIG) ; (iii) la connaissance sociale de la situation n’est pas intégrée dans le diagnostic même si le jeu social pèse finalement sur la mise en œuvre d’actions ; (iv) les actions envisagées résultent finalement de la réduction des possibles par leur passage au travers un double filtre : celui des modalités de diagnostics (expertise constituante) qui tend aujourd’hui à encourager l’adaptation de pratiques plutôt que des changements de modèle et celui des décisions acceptables par les différents groupes sociaux (expertise légitime).
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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 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".