De la mesure des émissions des gaz à effet de serre à celle du service de régulation du climat, les traductions de l’indicateur carbone
Bibliographic record
Abstract
L’évaluation – directe ou indirecte – des quantités de services rendus par les écosystèmes nécessite de construire des indicateurs. Nous nous interrogeons sur la construction et l’utilisation d’un indicateur de régulation des effets du changement climatique, que nous nommons « indicateur carbone », avec un accent sur les données qui ont permis de le générer, de le renseigner (notamment pour l’écosystème forestier) et les mécanismes qui ont prévalu à son acceptation par les communautés scientifiques et politiques des services écosystémiques. Nous nous basons sur une analyse critique des documents produits par le Millenium Ecosystem Assessment (MEA) et par le groupe d'experts intergouvernemental sur l'évolution du climat (GIEC) pour expliciter la rationalité de cet indicateur. Nous avons également cherché à repérer dans la littérature scientifique des éléments de débat sur cet indicateur, et de rendre explicite les arènes et les arguments. Nous essayons ainsi de voir en quoi ces deux processus diffèrent et dans quelle mesure les innovations conceptuelles et les indicateurs produits par l’un sont traduits par l’autre. Les évaluations des émissions de gaz à effet de serre sont réalisées par le GIEC sur un principe d’équivalence entre le CO2 et d’autres gaz. Cette équivalence a ensuite été traduite dans le cadre des services écosystémiques, qui se sont focalisés sur des bilans dits « carbone », dans les évaluations des services de régulation. Cette traduction omet en grande partie les incertitudes et les limites liées à cet indicateur. La préexistence de données à large échelle, notamment pour les écosystèmes forestiers, a également été un élément moteur du recyclage de cet indicateur dans les différentes sphères.
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 | 0.019 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".