Impacts du barrage des Trois Gorges sur le développement durable de la Chine
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
L’eau douce, ressource que nous pensions inépuisable, est rare et souvent difficile à prélever. Selon les plus récentes données, moins de 1 % de toute l’eau douce sur la planète est facilement accessible à l’être humain. Mais cette faible proportion pourrait suffire si la répartition géographique de cette ressource était mieux équilibrée sur la planète. Actuellement, 1,2 milliard d’habitants, soit un sur cinq, n’a pas accès à cette eau douce si vitale. Le manque d’eau est également lié à la croissance démographique et à la pollution. Cette réalité est particulièrement vraie dans le cas de la République populaire de Chine. Avec une population de plus d’un milliard et une augmentation de douze millions de personnes par année, la Chine ne peut fournir de l’eau douce de qualité à tous ses habitants. Depuis la réforme économique de la fin des années 1970, les villes, les industries et les agriculteurs déversent sans relâche d’énormes quantités d’eau non traitée dans l’environnement, ce qui contribue à contaminer les réserves d’eau douce de ce pays. Cette pollution engendre de graves conséquences environnementales et économiques qui s’additionnent aux catastrophes naturelles qui frappent régulièrement le pays. Pour remédier à cette problématique complexe, de grands projets tels que la construction du barrage des Trois Gorges, qui sera le plus grand barrage au monde, ont été mis de l’avant. Ce projet fait l'objet d'une analyse dans une perspective de développement durable pour la Chine. Celle-ci permet de rendre compte des impacts sociaux, économiques et environnementaux que ce méga projet occasionne.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.006 | 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 it