L’évaluation des impacts cumulés dans l’estuaire et le golfe du Saint-Laurent : vers une planification systémique de l’exploitation des ressources
Bibliographic record
Abstract
L’intensification de l’empreinte humaine dans l’estuaire et le golfe du Saint-Laurent impose une planification systémique de l’exploitation des ressources marines. Une évaluation régionale des impacts cumulés dans le Saint-Laurent demeure pourtant encore attendue. Un nombre important d’activités (p. ex. transport maritime, pêche, aquaculture) caractérise l’exploitation humaine du Saint-Laurent. Ces activités imposent plusieurs stresseurs environnementaux (p. ex. destruction de l’habitat) affichant un chevauchement spatial croissant. Individuellement, ils peuvent affecter la structure et le fonctionnement des écosystèmes. Imposés simultanément, les stresseurs peuvent agir en synergie et entraîner des effets non linéaires imprévisibles. Ces effets demeurent largement incompris et conséquemment ignorés lors d’évaluations d’impacts environnementaux, qui demeurent orientées sur des espèces ou secteurs uniques et l’approbation de projets. Plusieurs défis relatifs aux impacts cumulés dans le Saint-Laurent doivent être relevés : 1) améliorer l’état des connaissances des impacts de multiples stresseurs sur les écosystèmes, 2) améliorer l’applicabilité des méthodes d’évaluation d’impacts cumulés, 3) identifier des indicateurs d’impacts cumulés, 4) créer un protocole de suivi environnemental et d’impacts humains, et de partage de données et 5) développer une capacité de gestion adaptative pour le Saint-Laurent. La planification systémique de l’utilisation des ressources naturelles au sein du Saint-Laurent nécessitera une vision intégrative de la structure et du fonctionnement des écosystèmes ainsi que des vecteurs de stress qui leur sont imposés. Une telle approche ne sera réalisable que lorsque nous aurons développé les infrastructures et les outils nécessaires à une gestion écosystémique du Saint-Laurent.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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.
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".