Étude des compétences propices au soin et à la transformation de l’environnement
Bibliographic record
Abstract
Dans un monde où l’environnement est éreinté et où l’humain est confronté à des maladies environnementales, quelles sont les compétences (modes de pensée) qui permettent à certains citoyens de transformer leur communauté ? L’étude multicas avait pour but d’identifier les compétences multidisciplinaires démontrées par deux groupes de citoyens impliqués en développement viable : des agriculteurs implantant des actions d’adaptation aux changements climatiques et des leaders aménageant un écoquartier exemplaire. Les compétences mises à profit par les acteurs des deux projets, étudiées à l’aide de l’observation participante, d’entrevues et d’analyse de documents ont été la résolution de problèmes, les connaissances techniques et endogènes, la collaboration, la pensée critique, l’optimisme, la persévérance, l’ouverture à la nouveauté et l’intérêt pour l’apprentissage. La compétence de planification souple est ressortie surtout chez les bâtisseurs de l’écoquartier. Une discussion invite le lecteur à réfléchir à la possibilité de développer des compétences environnementales chez les élèves tout en aidant ceux-ci à raisonner dans des perspectives d’identité communautaire, de viabilité et de vitalité.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 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".