Apprendre à vivre ensemble dans un environnement partagé — Vers la construction d’identités biorégionales
Bibliographic record
Abstract
Provoquant de très nombreuses pertes humaines immédiates, les guerres qui sévissent dans le monde non seulement dégradent ou détruisent l’environnement, mais elles ont également des conséquences très néfastes sur les conditions de vie des populations, dont elles altèrent la santé et l’existence à long terme. Or des programmes de consolidation environnementale de la paix, qui font appel à une dimension éducative transversale, peuvent contribuer à l’apprentissage du vivre-ensemble en développant des identités biorégionales. Celles-ci sont caractérisées par l’engagement à l’égard d’un environnement partagé. Cependant, les liens entre guerre, dégradation écologique, paix et éducation sont souvent négligés en recherche. De plus, la littérature relative aux théories et pratiques de consolidation environnementale de la paix n’intègre pas suffisamment l’éducation, même de manière implicite. Pourtant, l’inclusion dans ce champ d’une dimension éducative explicite, planifiée et systématisée est nécessaire. Dans cette perspective, cet article propose des fondements et des pratiques pour une éducation qui contribue à la construction d’identités biorégionales et d’une dynamique de paix. Ces fondements et ces pratiques, que je me suis efforcée de rendre transférables à des contextes similaires, présentent l’aboutissement des diverses étapes de ma recherche.
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 | 0.006 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.013 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.009 |
| Research integrity | 0.002 | 0.004 |
| 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".