La gestion territoriale basée sur l’approche systémique de la gestion dynamique des déchets (GDD)
Bibliographic record
Abstract
Les systèmes de gestion des déchets étant en constante évolution, chacune des décisions prises aujourd’hui aura une influence sur les actions futures. Parmi les difficultés rencontrées, la sélection d’un site pour l’implantation de nouvelles installations, quelle que soit leur nature, représente un enjeu majeur en raison des contraintes sociales, économiques et environnementales qui s’y rattachent. En conséquence, les décideurs réclament de nouveaux outils qui leur permettront de comparer les différentes options qui s’offrent à eux et d’en évaluer les impacts sur le système. Actuellement, les approches mathématiques utilisées pour résoudre les problèmes de localisation sur un territoire sont inadéquates pour la gestion des déchets. Notamment, ces approches ne permettent pas de considérer l’ensemble des impacts attribués à la gestion des déchets ainsi que les particularités associées aux trajets (longueur, contraintes de circulation, capacité). Dans le but de corriger ces lacunes, le présent article porte sur l’utilisation de la gestion dynamique des déchets (GDD) comme outil d’aide à la décision pour la gestion territoriale, et plus particulièrement pour les problèmes de localisation. Afin de démontrer les avantages de l’approche proposée, deux études de cas sont également présentées.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".