MétaCan
Menu
Back to cohort
Record W2406276797 · doi:10.4000/ethiquepublique.2531

Une science pacificatrice au service de l’acceptabilité sociale ? Le cas des gaz de schiste au Québec

2016· article· fr· W2406276797 on OpenAlexvenueaboutno aff
Corinne Gendron

Bibliographic record

VenueÉthique Publique · 2016
Typearticle
Languagefr
FieldEngineering
TopicMining and Resource Management
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPolitical scienceArt

Abstract

fetched live from OpenAlex

Lorsque la controverse sur les gaz de schiste a éclaté au Québec, les pouvoirs publics ont fait le pari de miser sur la science et les nouvelles connaissances pour refroidir le débat et construire l’acceptabilité sociale de la filière. Or, si la stratégie retenue a permis de documenter la technique de fracturation sous ses multiples aspects et d’approfondir les connaissances sur le milieu physique, biologique, économique et social ainsi que sur l’encadrement juridique, les recherches scientifiques sur la filière des gaz de schiste n’ont pas calmé le jeu, tant s’en faut. Le dispositif mis en place pour piloter les études, le Comité sur l’évaluation environnementale stratégique sur les gaz de schiste, a très tôt suscité une vive opposition en raison de sa composition et de son mandat ; parallèlement, une science de contestation s’est développée à travers la mise sur pied d’un réseau de scientifiques opposés à la filière. Si bien que loin de pacifier les débats, la démarche scientifique a participé de la controverse jusqu’à la fin du processus marqué par la publication du second rapport du Bureau d’audiences publiques sur l’environnement (BAPE). Le présent article propose de retracer les rapports entre science et acceptabilité sociale dans le dossier des gaz de schiste au Québec à l’échelle de la filière elle-même, mais aussi du processus décisionnel mis en place par le gouvernement pour fixer sa politique en la matière.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.801
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0030.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.002
Science and technology studies0.0010.001
Scholarly communication0.0000.001
Open science0.0010.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.020
GPT teacher head0.245
Teacher spread0.224 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations13
Published2016
Admission routes2
Has abstractyes

Explore more

Same venueÉthique PubliqueSame topicMining and Resource ManagementFrench-language works237,207