Bibliographic record
Abstract
Pour mieux décrire les aléas naturels et tenter d’en prévoir les conséquences, nous multiplions les recours à la modélisation. Les vertus des outils qui en découlent ne sont plus à démontrer. Autour de la question du changement climatique et vis-à-vis des risques naturels, la logique actuelle voudrait que la recherche d’un idéal de précision – augmenter indéfiniment les résolutions spatiales et temporelles des modèles, multiplier à outrance le nombre de paramètres à ingérer – soit la seule manière de gagner en efficacité. Au travers d’exemples appliqués à l’érosion marine, nous illustrons les possibles dérives de cette approche, que nous qualifions d’analytique, et présentons, dans un but applicatif, une démarche alternative. Il s’agit de construire un indice d’érosion qui, de façon pragmatique et suivant un raisonnement phénoménologique, vise à répondre à une demande sociale croissante en prédiction du dommage en milieu littoral. Son principe est simple : caractériser et prédire les conditions de survenue des tempêtes à impact, celles qui engendrent effectivement de l’érosion. Il combine trois facteurs fondamentaux : un fort vent d’afflux, une forte houle et une haute mer de vive-eau. Les tests menés sur la plage artificielle de Marennes (Charente-Maritime, France) se sont avérés concluants. Cependant, certaines limites doivent encore être repoussées, notamment la prise en compte de la non-linéarité du comportement des systèmes littoraux.
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 | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| 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".