Résilience et environnement : penser les changements socio-écologiques
Bibliographic record
Abstract
Dans la tempête, le roseau s'adapte : il plie et ne rompt point ; le chêne résiste, mais, lorsqu'un seuil de perturbation est franchi, il se déracine. Dans le domaine de l'environnement, penser la résilience, c'est réfléchir à la manière dont les systèmes socio-écologiques répondent aux perturbations, s'adaptent tout en conservant leurs fonctions fondamentales et leur structure, ou se transforment : comment une barrière de corail, une forêt ou un marais évoluent-ils d'un état à un autre ? De quelle façon peut-on réduire la vulnérabilité d'une ville face aux cyclones ? Comment explorer les futurs possibles de l'agriculture ou améliorer la gestion des ressources naturelles ? Comment accroître la résilience d'un territoire ? A partir d'exemples concrets issus de pays très divers - Australie, Canada, États-Unis, France, Suède, Ukraine, Sénégal, Tanzanie, Thaïlande - l'ouvrage explore le concept de résilience, développé ces quatre dernières décennies par une équipe internationale de chercheurs. Identifiant les enjeux, exposant les controverses, dénonçant les illusions, il examine les théories et les concepts de cette école, leur histoire et leur évolution actuelle, les atouts et les limites de cette pensée de la complexité.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.003 | 0.018 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 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".