L’usage par les juges français des connaissances scientifiques sur la dangerosité des pesticides
Bibliographic record
Abstract
Cet article propose d’explorer quels sont le rôle et la place des connaissances scientifiques dans un contentieux en émergence fortement marqué par des incertitudes scientifiques, celui des pesticides. Il repose sur une analyse des décisions faisant apparaître des questionnements sur la dangerosité ou l’innocuité des produits phytopharmaceutiques devant les juridictions administratives et judiciaires (chambres civile, pénale, sociale). Dans un premier temps, il est troublant de constater d’une part l’imprécision générale avec laquelle les connaissances scientifiques sont recensées dans les jugements et arrêts étudiés et d’autre part la variété des usages que le juge en fait. L’article présente dans un second temps dans quelles circonstances le juge fait appel ou s’appuie (ou non) sur ces sources en cas d’incertitudes scientifiques. Il va en effet devoir trancher en fonction des éléments de faits et de droit et au vu d’études scientifiques, de conclusions de l’expert judiciaire ou d’avis d’organismes publics contradictoires. Cette étude invite ainsi à réfléchir, notamment à travers l’exemple des atteintes causées aux abeilles, sur les corrélations ou l’absence de corrélations entre les incertitudes scientifiques et juridiques.
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 | 0.009 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".