Modélisation d’accompagnement : appropriation de la démarche par différents partenaires et conséquences
Bibliographic record
Abstract
Cet article relate la démarche mise en œuvre dans le cadre d’une recherche-action traitant des interactions nature/sociétés en zone côtière (l’île d’Ouessant située dans l’ouest de la France). Il décrit en particulier comment la modélisation d’accompagnement a favorisé la mise en œuvre d’une interdisciplinarité dans un champ large. Les outils de la modélisation d’accompagnement (modèles multi-agents, simulations informatiques, jeu de rôles) ont été utilisés avec pour objectif de sensibiliser la population locale aux dynamiques paysagères, puis ils ont été mobilisés pour l’éducation de scolaires aux problématiques littorales et au développement durable. Ces transferts ont impliqué de la part des scientifiques, non seulement un important travail d’adaptation de leurs outils en fonction du public visé et de l’objectif recherché, mené en collaboration avec des gestionnaires du territoire et des éducateurs, mais aussi une analyse réflexive de l’engagement des participants dans ces dispositifs. Si cette expérimentation a développé chez la plupart des scientifiques impliqués une ouverture à l’interdisciplinarité et à la coopération sur le thème de la gestion environnementale, elle révèle aussi les difficultés d’assimilation de la démarche par les différents partenaires. L’appropriation de la posture de modélisation d’accompagnement est centrale pour constituer un collectif, et pour se saisir des outils développés.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.006 | 0.007 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
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".