La criminalité environnementale et l’industrie du gaz de schiste au Québec
Bibliographic record
Abstract
Le Québec a amorcé une vaste réflexion sur le développement de l’industrie du gaz de schiste en 2009 et a mandaté à deux reprises le Bureau d’audiences publiques sur l’environnement (BAPE). Celui-ci a déposé un premier rapport sur les enjeux liés à l’exploration et à l’exploitation du gaz de schiste en 2011 et un deuxième en décembre 2014. Force est de constater qu’il existe autour de la fracturation hydraulique et de l’industrie du gaz de schiste d’importantes controverses reliées aux conséquences des procédés de cette industrie pour la santé humaine et pour l’environnement. De plus, le cadre juridique au Québec ne semble pas être suffisant pour prévenir et sanctionner les dommages qui peuvent être causés à la santé et à l’environnement à la suite des activités de cette industrie. Les principes mis de l’avant par l’école de pensée portant sur la criminalité environnementale peuvent nous éclairer face à cette problématique. En fait, cette école souligne l’importance de sanctionner criminellement les conduites qui génèrent des dommages graves non seulement à la santé humaine, mais également à tous les êtres vivants et à leur habitat sur la planète, et ce, même si ces activités peuvent être considérées comme licites.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".