Les savoirs - outils de distinction et de légitimation dans le cadre d’une gestion durable : le cas des pêcheurs à pied d’ormeaux
Bibliographic record
Abstract
Les activités de loisirs en milieu marin peuvent affecter la diversité biologique. La pêche à pied très développée sur la zone manche-atlantique est l’objet d’une attention particulière de la part des gestionnaires des espaces. Les observations et entretiens réalisés dans le cadre de la réserve naturelle des Sept-îles (Côtes d’Armor, France) à propos de son importante activité de pêche d’ormeaux permettent de décrire et d'analyser ces pratiques sociales. En effet, ces pratiques ne peuvent être uniquement considérées comme des activités de prélèvement ou néfastes pour l’environnement. Elles sont également mobilisation de savoirs, appropriation d’espaces, et participent aux constructions identitaires individuelles et collectives. Les pêcheurs à pied classent ainsi en fonction des savoirs et des savoir-faire les « touristes » et les pêcheurs à pied, puis distinguent les « traditionnels » des « ravageurs » à partir des savoir-être. Ces catégorisations permettent de comprendre toute la diversité d’une pratique, que des critères sociologiques (sexe, âge, lieu de résidence, profession) ne nous permettent pas de séparer. Or, il semble indispensable, pour analyser les enjeux et les positionnements face à la gestion de tels espaces d’analyser finement les différences qui peuvent exister entre les pratiques et les pratiquants. Les différenciations infèrent les légitimités revendiquées par les acteurs dans le cadre d’une gestion concertée.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.021 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".