Observations sur sept municipalités d'agriculture prospère du Bas-du-fleuve
Bibliographic record
Abstract
Parmi les hypothèses qui ont été élaborées à la suite d'un certain nombre de travaux récents sur le milieu rural canadien-français, celles qui se rattachent à la classification des municipalités agricoles du Québec méritent sûrement une attention particulière. C'est à partir du critère de la prospérité de l'agriculture que les municipalités agricoles du Québec ont été classifiées en trois catégories. Ce critère de la prospérité semble beaucoup plus sûr, par exemple, que l'occupation dont Gérald Fortin signale avec raison l'insuffisance comme critère de stratification du milieu rural. Nous considérerons ici comme municipalités d'agriculture prospère celles dont la majorité des cultivateurs peuvent vivre du seul revenu de leur ferme. Les municipalités d'agriculture moyenne seront celles où la majorité des cultivateurs doivent compléter leur revenu en dehors de la ferme, pour satisfaire leurs besoins. Enfin, dans les municipalités d'agriculture pauvre, l'agriculture n'est qu'une source de revenu supplémentaire pour la majorité. Dans le présent travail, nous résumerons l'analyse de données recueillies en 1958 auprès d'un échantillon de 174 travailleurs, répartis dans sept paroisses agricoles prospères du Bas-du-fleuve (tableau 1). L'objectif principal de notre étude était de vérifier les hypothèses sous-jacentes à cette classification, dans le cas des municipalités d'agriculture prospère, et de dégager certaines implications sociologiques. Dans une première partie, nous dégagerons les principales hypothèses sous-jacentes à l'agriculture prospère. En deuxième lieu, nous examinerons la situation de l'agriculture dans les municipalités d'où provient notre échantillon. Une troisième partie sera consacrée à l'étude de la structure et de la mobilité des occupations. Enfin, nous aborderons très brièvement les attitudes vis-à-vis les occupations.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 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 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".