La prévention des risques d’inondation en France : entre approche normative de l’état et expériences locales des cours d’eau
Bibliographic record
Abstract
Cet article confronte deux approches de la prévention des risques d’inondation en France : l’une institutionnelle et menée par les services de l’État, l’autre locale et prise en charge par les collectivités territoriales. La prévention institutionnelle de l’État définit le risque comme majeur. L’approche est normative et définit un type de risque valant pour tous les territoires. La gestion locale du risque s’accorde avec des perceptions plus ordinaires de ce dernier. De plus, localement, le risque s’inscrit dans un territoire ; la prévention doit alors composer avec d’autres logiques. Les deux approches n’impliquent pas les mêmes critères de rationalisation et de connaissance en matière de risque. Sur la base du risque majeur, la première postule une impossibilité de vivre avec le risque, tandis que les expériences locales du risque relèvent de compromis difficiles entre présence du risque et nécessité d’aménager un territoire. La prévention du risque d’inondation en France accorde une place quasi exclusive à l’approche institutionnelle menée par les services de l’État, sans coordination avec les connaissances locales du risque. Cela ne manque pas de causer une certaine dissonance dans la mise en oeuvre de la politique publique de prévention des risques.
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 | 0.007 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.010 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".