MétaCan
Menu
Back to cohort
Record W2028198926 · doi:10.4000/vertigo.10990

Impact de la pollution sur les écosystèmes côtiers : exemple de la Manche orientale

2011· article· fr· W2028198926 on OpenAlexvenueno aff
Rachid Amara

Bibliographic record

VenueVertigO · 2011
Typearticle
Languagefr
FieldEnvironmental Science
TopicCoastal and Marine Management
Canadian institutionsnot available
Fundersnot available
KeywordsGeographyForestry

Abstract

fetched live from OpenAlex

Les estuaires et les zones côtières constituent des territoires à forts enjeux stratégiques pour les économies et pour l’environnement. Ils assurent de nombreuses fonctions biologiques et écologiques, dont celle de nourricerie de poisson. Le bon fonctionnement écologique de ces nourriceries est indispensable pour permettre le déroulement normal du cycle biologique de nombreuses espèces marines d’intérêts économiques majeurs. En Manche orientale, la majorité des espèces halieutiques transitent par ces écosystèmes au cours de leur cycle biologique. Pourtant, il existe un recouvrement entre les principales zones de nourriceries d’intérêt halieutique et les zones soumises à des pressions anthropiques. L’analyse comparée de la qualité des zones de nourriceries a été abordée à partir d’un ensemble d’indicateurs de performances biologiques (croissance et indice de condition des poissons) et chimiques (contaminants métalliques dans les tissus des poissons et dans les sédiments). Les zones côtières fortement anthropisées (estuaire de la Seine, littoral entre Calais et Dunkerque) offrent des habitats de moins bonne qualité pour le développement et la survie des poissons. Beaucoup des espèces fréquentant les écosystèmes côtiers sont indispensables au bien-être des humains, soit directement comme ressources renouvelables à valeur marchande, soit indirectement, pour maintenir le fonctionnement et la viabilité des écosystèmes marins. La nécessité de protéger ces habitats de la pollution et de la destruction est urgente.

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 distilled prediction

Teacher imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesInsufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.293
Threshold uncertainty score0.994

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.001
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0070.000

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.

Opus teacher head0.012
GPT teacher head0.228
Teacher spread0.216 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations3
Published2011
Admission routes1
Has abstractyes

Explore more

Same venueVertigOSame topicCoastal and Marine ManagementFrench-language works237,207