Bibliographic record
Abstract
Les politiques d’aménagement du territoire ont un impact direct sur la ressource en eau et les milieux aquatiques. C’est la raison pour laquelle il est exigé, depuis la loi française du 21 avril 2004, que les schémas de cohérence territoriale (SCoT), qui déterminent les orientations générales de l’organisation de l’espace local, soient compatibles avec les schémas d’aménagement et de gestion des eaux (SAGE), qui fixent des objectifs généraux d’utilisation, de mise en valeur, de protection quantitative et qualitative de la ressource en eau à l’échelle du bassin versant. Mais qu’en est-il dans la pratique ? À partir de trois terrains français contrastés (Arc provençal, basse vallée de l’Ain et bassin de Thau), nous observons que le degré d’articulation entre SAGE et SCoT est extrêmement variable selon les endroits et cherchons à rendre compte de ces différences. À l’issue de notre enquête, il apparaît que l’évolution de la législation ne constitue pas en soi une garantie de meilleure prise en compte de l’eau dans l’aménagement du territoire. Cette prise en compte dépend beaucoup plus de la manière dont est défini l’intérêt général local en fonction de compromis validés et diffusés par les acteurs politiques dominants au sein des territoires concernés.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".