Contribution des TIC à la durabilité des organisations logistiques et de transport
Bibliographic record
Abstract
La récente révision du livre Blanc des transports en 2006 prône comme option de transport durable la co-modalité, autrement dit « le recours efficace à différents modes de transport isolément ou en combinaison » (CCE, 2006). La maîtrise de l’information, rendue possible grâce à de nouveaux systèmes de gestion, est au cœur du développement de la co-modalité. C’est en tout cas le pari du fret intelligent, qui soutient l’application aux infrastructures et aux matériels des nouvelles technologies. De fait, l’offre de services logistiques et de transport a évolué, et intègre de plus en plus d’opérations de nature « informationnelle ». Toutefois, leur mobilisation par les firmes dans le cadre de leurs stratégies logistiques dépend d’autres facteurs, parmi lesquels : (1) les contraintes tenant à l’optimisation micro-économique en termes de coûts et de temps pour la firme ; (2) les contraintes imposées au niveau méso-économique par les relations avec les autres acteurs du système productif (et notamment les clients). C’est pourquoi il existe une diversité de stratégies logistiques et de transport, qui vont appeler des besoins de services différents. De même, les choix en faveur de la durabilité pourront être très différents et mobiliser des leviers spécifiques. Dès lors, l’influence des systèmes de transport intelligents sera très variable.
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 | 0.006 | 0.038 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.006 | 0.008 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.014 | 0.009 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.006 |
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".