L’expertise en question dans la gestion des risques naturels : le cas des Ruines de Séchilienne
Bibliographic record
Abstract
L’expertise scientifique et technique est depuis une vingtaine d’années au centre de nombreux débats, à la suite de controverses et d’affaires en matière notamment de risques sanitaires et environnementaux. Sous la pression publique, l’expertise en ces matières a dû se réformer et offrir des garanties en termes d’indépendance, de transparence et de fiabilisation des résultats. Curieusement, le champ du risque naturel est resté à l’écart de ce mouvement. Il est encore sous le règne du modèle régalien classique, où l’État et ses experts, exerçant une véritable magistrature technique, ont la haute main sur la définition du risque et la prescription de la prévention. Cependant, l’expertise dans ce champ n’est pas à l’abri de biais ou d’interférences d’intérêts. Cet article relate le cas d’un fonctionnement opaque et en circuit fermé de l’expertise dans un risque d’effondrement géologique, dont les conséquences ont été lourdes pour la collectivité et les individus exposés. Mais la question de l’expertise doit être replacée dans un questionnement sur la politique publique de prévention des risques naturels, en décalage avec le nouveau paysage des risques et les enjeux à venir.
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 | 0.020 | 0.043 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.026 |
| Scholarly communication | 0.010 | 0.012 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.005 | 0.006 |
| 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".