Les défis liés à la prévention des désastres dans les aires métropolitaines : exemple de Givors dans l’aire métropolitaine lyonnaise (France)
Bibliographic record
Abstract
Cet article reconstitue pourquoi les chercheurs et les gestionnaires qui se penchent sur la prévention des désastres dans les aires métropolitaines tendent à mobiliser de plus en plus des notions et des outils plus intégrateurs, plus systémiques. Il s’agit des notions de résilience, de panarchie, comme de leur contrepartie plus gestionnaire, que représentent les systèmes de gestion de la connaissance. Pour ce faire, l’article rappelle les remises en cause des notions et des outils de gestion concernant tant les villes que les risques. Elles poussent à plus admettre l’existence de la complexité. On en déduit le renouvellement en cours des politiques visant à gérer les risques et les villes, qui résulte d’un long processus de maturation. Ces processus de fond peuvent également être justifiés à partir d’une étude de cas empruntée à l’aire métropolitaine lyonnaise, avec l’exemple de Givors. On espère montrer comment ces notions et ces outils liés à la complexité peuvent trouver leur justification au moins partielle par les limites des politiques prévenant les désastres, enregistrées a posteriori et observables sur le terrain.
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 | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.011 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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.
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".