Les « alliances vertes » entre les entreprises et les associations de protection de l'environnement : une réelle réconciliation ou une « instrumentalisation » réciproque ?
Bibliographic record
Abstract
Les « alliances vertes » entre les entreprises et les associations de protection de l’environnement se fondent sur des relations d’intérêt mutuel et incluent différentes formes de coopération. Malgré leurs promesses de résultats win-win, elles peuvent également générer des effets pervers. Après avoir identifié des éléments de définition et de typologie des alliances vertes, nous étudions les principaux déterminants de l’adhésion des entreprises et des associations environnementales à ce type de partenariat et les risques d’instrumentalisation (réciproque) au sein ou par rapport aux alliances. Afin de rendre notre propos plus concret, nous présentons deux alliances vertes se référant à des échelles géographiques différentes, l’une entre Pollution Probe et le distributeur Loblaws (Canada), l’autre entre le WWF et la multinationale des matériaux de construction, Lafarge (France). Quelques implications en termes de politique économique sont mises en évidence.
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 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.014 |
| Scholarly communication | 0.014 | 0.018 |
| Open science | 0.001 | 0.010 |
| Research integrity | 0.002 | 0.003 |
| 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".