Les contrats de rivière en France : enjeux, acteurs et territoires
Bibliographic record
Abstract
La politique de l’eau en France repose sur la gestion par bassin versant depuis la loi de 1964. Les pouvoirs publics ont cependant pris acte des limites de cette première loi sur l’eau. Aussi le ministère de l’Environnement a-t-il cherché à élaborer des contrats de rivière dès 1981, dans le prolongement des opérations « rivières propres » (1970). Ces programmes volontaires pluriannuels d’études et de travaux ont pour objectifs — à l’échelle du bassin, de la vallée, de la baie ou encore de l’estuaire — la lutte contre les pollutions, la prévention du risque d’inondation, l’amélioration de la gestion des berges et des ouvrages (digues, écluses, etc.) et, enfin, la sensibilisation des utilisateurs. La procédure a beaucoup évolué depuis sa mise en place et a connu un réel essor du fait de la décentralisation et du renforcement de l’intercommunalité. D’une procédure lancée par l’État à une procédure impulsée et financée localement, elle est désormais présentée par les pouvoirs publics français comme l’un des instruments permettant d’atteindre les objectifs communautaires dans le domaine de l’eau. Elle demeure en revanche juridiquement ambiguë. De surcroît, les bilans environnementaux des contrats de rivière sont discutables.
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".