La fréquentation différentielle d’une aire de camping en forêt : un indice et une application
Bibliographic record
Abstract
Les techniques de mesure de la fréquentation sont variées et, souvent, elles ne permettent pas de distinguer la fréquentation d'un lieu, de l'attraction exercée par celui-ci, et, si l'on y parvient, il est alors presqu'impossible d'associer les attributs préférés du paysage végétal aux préférences énoncées par les utilisateurs. L'indice de fréquentation différentielle élaboré ici permet non seulement de démontrer l'existence d'inégalités dans la fréquentation des sites, mais aussi d'associer ces inégalités de la fréquentation aux attraits du milieu forestier ambiant. En effet, la distribution spatiale de ces inégalités d'attraction n'est pas attribuable au seul fait du hasard. Au contraire, ces inégalités sont réparties d'une manière organisée, et leur appartenance à un type de communauté forestière contribue certainement à leur explication. Cette appartenance n'est pas le seul facteur explicatif de l'attraction. Toutefois, bien que la recherche ait porté sur plus d'une vingtaine de paramètres tant physiques, spatiaux que forestiers, cet article se limite uniquement à présenter l'indice de fréquentation différentielle mis au point et, à faire la preuve de l'existence de ce lien entre l'attraction d'un site de camping et son milieu forestier ambiant.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".