Les effets du jumelage des infrastructures lourdes de transport sur les territoires : quels enseignements?
Bibliographic record
Abstract
L’article rend compte d’une recherche concernant les effets du jumelage des infrastructures lourdes telles que les autoroutes et les lignes ferroviaires à grande vitesse (LGV) sur le fonctionnement et la perception du territoire. L’impact écologique, les effets sur l’évolution et la perception des paysages, ainsi que les questions de gouvernance et d’acceptabilité sociale sur les espaces proches ont été plus particulièrement étudiés sur trois terrains représentatifs des grands types de jumelage observés en France. La comparaison des éléments issus des différentes analyses montre une apparente contradiction selon les échelles d'analyse de l'opportunité du jumelage. S’il offre un avantage global de gestion foncière avec une économie d'espace et la limitation de la fragmentation, il entraine aussi une surconsommation foncière avec la création d’espaces interstitiels, ainsi qu’une polarisation forte de l'espace. Du point de vue sociétal, les avantages et les inconvénients du jumelage sont aussi relatifs selon les échelles de réflexion et la posture des acteurs interrogés vis-à-vis des coupures spatiales ou organisationnelles, ou de la perception des nuisances. Le jumelage est donc plus une démarche qu’une solution technique. Traité en aval, il ne permet pas de synergie avec le territoire, mais répond uniquement à quelques sujets isolés comme la consommation d’espace.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".