Réseaux et gestion intégrée des zones côtières : un regard de géographes
Bibliographic record
Abstract
Cet article propose une réflexion théorique et exploratoire sur les relations entre GIZC, réseaux, acteurs et territoires. L’étude des réseaux d’acteurs associés à la mise en œuvre d’une Gestion Intégrée des Zones Côtières (GIZC) est une approche originale de la gouvernance des territoires littoraux. D’un point de vue théorique, cette analyse permet un croisement des approches sociologiques et géographiques. Il s’agit non seulement d’analyser la structuration des acteurs, les niveaux territoriaux de leur action, de montrer comment les acteurs se mobilisent à l’échelle politique européenne et aux échelles nationales, mais également de considérer ce qu’apporte le processus de mise en réseau à la GIZC pour l’évolution des territoires. Pour comprendre la structuration et la complexité de fonctionnement des réseaux, il convient de les caractériser en s’intéressant à leur nature, leur dynamique, leur place et leur rôle dans l’élaboration de la GIZC. Les réseaux liés à la GIZC participent activement aux recompositions territoriales en cours des territoires littoraux à différentes échelles géographiques. Des exemples sont choisis dans l’Union européenne et en France à différentes échelles territoriales (régions, intercommunalités).
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.004 | 0.015 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".