Institutionnaliser la collaboration : planifier le recours aux approches collaboratives en environnement
Bibliographic record
Abstract
La participation de la société civile à la gouvernance de l’environnement et des ressources naturelles est devenue incontournable. De nombreuses expériences témoignent de la capacité d’acteurs locaux à contribuer à une gestion durable de leur milieu. Conséquemment, de nombreux États ont développé récemment des modèles de gouvernance ayant recours à la collaboration des acteurs de la société civile. Le passage d’une utilisation descriptive du nouveau paradigme de la gouvernance à sa mise en œuvre planifiée est toutefois une entreprise complexe. Notamment, l’institutionnalisation de la collaboration dans un modèle de gestion planifiée de l’environnement nous apparaît problématique étant données les réponses variées pouvant émerger des collectivités locales concernées.Dans cet article, en observant le cas de la mise en œuvre de la gestion de l’eau par bassin versant au Québec, nous mettons d’abord en lumière les raisons de cette complexité. Néanmoins, nous proposons d’utiliser la notion d’organisation sociale pour poser un regard prospectif sur les réponses des collectivités locales à la mise sur pied d’approches collaboratives. Cette position d’analyse nous permet de dégager les défis, particulièrement pour l’État, accompagnant le recours généralisé à la collaboration.
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 | 0.009 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".