L’expertise pour les politiques nationales de biodiversité en France : quelles stratégies face aux mutations en cours ?
Bibliographic record
Abstract
Le paysage français de l’expertise scientifique sur la biodiversité, mobilisée dans la construction des politiques publiques de protection de la nature, fait l’objet depuis une dizaine d’années d’une intense activité de réforme et de création institutionnelles. Cette étude exploratoire s’appuie sur des entretiens avec un panel d’acteurs agissant à l’interface entre les connaissances et l’action publique. Le champ de l’expertise, en biodiversité comme pour d’autres domaines, est le lieu d’une difficile rencontre entre science et politique. L’inconfort ressenti vis-à-vis du fonctionnement actuel des dispositifs d’expertise est souvent avancé comme argument pour justifier les différentes réformes engagées ces dernières années. Notre travail montre cependant qu’à l’inverse le foisonnement institutionnel récent est source de déstabilisation pour les acteurs, tant du côté des scientifiques que des décideurs politiques. Pour répondre malgré tout à la demande d’expertise, le positionnement des experts peut être décrit par trois figures archétypales - le « garant » de la qualité scientifique, le « gardien » des principes de protection de la nature et l’« agent » spécialisé dans l’expertise au plus près des politiques - dont la légitimité et le pouvoir ont évolué au cours du temps, au détriment des « gardiens ». Cette situation est analysée au regard des enjeux stratégiques de chacun des acteurs et des évolutions récentes du contexte académique et des modes d’élaboration des politiques publiques. Enfin, de nouvelles perspectives de recherche sont identifiées pour approfondir ces résultats.
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 | 0.016 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.010 | 0.012 |
| Scholarly communication | 0.012 | 0.010 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.006 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
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".