Les choix d’investissements publics en culture et le développement durable : sous quelles conditions ?
Bibliographic record
Abstract
Depuis toujours, l’art et la culture servent les sociétés, parfois en leur laissant un patrimoine grandiose, souvent en divertissant la population, plus récemment en attirant le tourisme, en procurant une image de marque à une ville, ainsi qu’en instruisant et en cultivant les communautés. L’histoire retient que les dirigeants d’hier et d’aujourd’hui, d’ici et d’ailleurs qui ont investi en culture ont permis aux sociétés de s’épanouir, de développer leur créativité, de se distinguer et de transmettre leur savoir. On réalise de plus en plus concrètement à quel point la culture contribue au développement des grandes villes : Barcelone et Paris en ont fait leur force. Mais peut-on espérer que la culture soit également un vecteur de développement pour les petites villes régionales ? Et si oui, quelles sont les différentes façons d’investir en culture pour que cette dernière contribue au développement de façon durable ? Comment les décisions publiques envers différentes formes de culture et divers processus propres à son développement (ex : création d’infrastructures, production artistique, diffusion, mise en marché, promotion du tourisme culturel) peuvent-elles contribuer à engendrer un développement territorial durable ? Notre étude est basée sur une analyse de discours d’acteurs locaux à Rimouski par rapport aux choix d’investissements publics en culture et aux liens à y faire avec le développement durable.
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 | 0.008 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.019 |
| Scholarly communication | 0.028 | 0.018 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.020 | 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".