La restauration des lacs au Québec: un défi face aux problèmes environnementaux actuels
Bibliographic record
Abstract
Le Canada possède l'une des plus importantes réserves d'eau douce au monde. La province de Québec n'y fait pas exception puisqu'on y trouve près de 750 000 lacs et une multitude de rivières. Une grande partie de cette ressource est très fragile et exposée à divers problèmes environnementaux. Ces problèmes prennent leur source à l'échelle locale, régionale, continentale ou même planétaire dans certains cas et sont de différentes natures : eutrophisation, contamination par diverses substances polluantes, acidification, changements climatiques, etc. Au Québec, les moyens d'action actuels visent principalement à réduire les pollutions à la source par voie de réglementation, de programmes d'incitation ou de programmes de subvention (actions d'assainissement des eaux), en ne recourant aux interventions directes à court terme que dans des situations d'urgence ou d'extrême nécessité. Le présent texte rend compte des problèmes liés à l'eutrophisation, à l'acidification et à la contamination, ainsi qu'à leur échelle d'occurrence et des solutions disponibles pour amoindrir leur impact. Cette discussion est menée en favorisant une approche globale concertée qui vise à établir les bases d'une réelle politique de gestion de l'eau.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.008 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.004 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".