Les systèmes de traçabilité dans la filière vitivinicole
Bibliographic record
Abstract
Cette recherche se situe dans le domaine vitivinicole où une cave coopérative constitue un réseau de TPE entre les producteurs adhérents. Sous la pression du marché, des pouvoirs publics et de l’offre technologique, ces coopératives mettent en place des systèmes de traçabilité pour assurer la qualité et la sécurité des produits, mais aussi pour piloter leurs activités internes. Les systèmes de traçabilité qui sont développés présentent alors une particularité : celle de créer une traçabilité au niveau de la coopérative et une traçabilité au niveau de la filière. Compte tenu de l’hétérogénéité des acteurs et des technologies, cet article se fonde sur la théorie de l’acteur-réseau en tant que cadre d’analyse de la convergence à construire dans ces processus d’innovation. Une étude en France auprès de six caves coopératives vitivinicoles montre alors les deux niveaux où s’organisent l’enrôlement des acteurs et la résolution des controverses. Entre les viticulteurs et les caves, la controverse « en amont » a porté sur le pilotage des activités et s’est soldée par une rationalisation au profit des caves. Entre les caves et la distribution, la controverse « en aval » porte sur le contrôle de qualité du produit et continue à se développer.
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 | 0.006 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.012 | 0.005 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".