Bibliographic record
Abstract
Chères lectrices, chers lecteurs : Nous vous souhaitons la bienvenue à cette édition du printemps 2014.Pour des raisons techniques, celle-ci contient trois articles au lieu des quatre habituels; cependant ceux-ci sont captivants, tant d'un point de vue théorique que pratique.Les deux articles en français et l'article en anglais portent sur des sujets variés, et deux d'entre eux concernent le Canada.Ils se complètent très bien, en particulier lorsqu'il est question d'aborder les enjeux de gouvernance d'un point de vue historique, international ou local.Au Canada comme ailleurs, les transports en commun constituent un enjeu majeur pour les politiques publiques.Tous les pouvoirs publics ont étudié la question afin de résoudre les problèmes d'embouteillage en milieu urbain.Le train est l'une des solutions qui, depuis peu, gagne de plus en plus d'adeptes au Canada.Après de nombreux débats, il y a quelques années, la Ville d'Ottawa a opté pour la construction d'un système de train léger, une décision qui continue à faire couler beaucoup d'encre.Dans Le train léger sur rails d'Ottawa : les rebonds d'un projet de transport durable conflictuel, Kenza Benali et Ella Bernier, analysent le projet et retracent une saga qui déchaîne les passions depuis plus d'une décennie.Les auteures reviennent en détail sur les origines de cet important projet et les facteurs qui ont contribué au développement d'un système que beaucoup voient finalement comme un salut économique pour la ville.
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 | 0.005 | 0.016 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.016 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.006 | 0.009 |
| Insufficient payload (model declined to judge) | 0.058 | 0.012 |
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".