Gestion des déchets ménagers : comment les collectivités françaises mobilisent-elles leurs usagers ?
Bibliographic record
Abstract
L’objectif de cette recherche est d’étudier les mesures développées par les collectivités territoriales pour encourager les ménages à adopter des comportements pro-environnementaux. Notre approche articule deux démarches complémentaires. D’une part, à partir d’une approche économique, nous analysons les choix des collectivités territoriales pour inciter les usagers du service d’élimination des déchets ménagers à jeter moins de déchets. Dans ce cadre, nous avons élaboré une typologie des leviers d’action développés par les collectivités territoriales. Quatre types de stratégies d’implication différentes des usagers ont été identifiés auprès de collectivités territoriales françaises, décrivant des combinaisons de mesures particulières pour atteindre les objectifs environnementaux fixés par la politique nationale des déchets. Puis, à partir d’une étude économétrique, nous avons mis en évidence l’importance dans les choix des collectivités territoriales de la prise en compte des caractéristiques des usagers, une politique étant d’autant plus efficace que les usagers du service sont prêts à la mettre en œuvre.D’autre part, à partir d’une approche en sciences humaines et sociales, nous constatons une relation entre l’usager et le service de gestion des déchets assez complexe, ainsi que des pratiques de tri bien ancrées dans le quotidien des individus.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".