Les ressources déployées par des leaders du développement durable : Quelles leçons pour l’éducation relative à l’environnement ?
Bibliographic record
Abstract
Aujourd’hui, lors d’ingénieux projets développement durable, des leaders planifient et implantent des pratiques et des lieux bénéfiques à l’environnement. Ces initiatives représentent une source féconde d’informations au sujet des compétences d’aménagement du milieu qu’il serait pertinent de développer chez nos élèves. L’étude, se situant dans la perspective de poursuivre la compréhension des compétences à développer en éducation relative à l’environnement, visait l’identification des ressources liées à l’aménagement écologique du milieu, déployées par des leaders participant à cinq projets de développement durable (en urbanisme et en foresterie durable). L’analyse d’un document et des données d’entrevues individuelles d’explicitation montre que les principales ressources (cognitives, sociales et affectives) déployées par les leaders interrogés, relèvent non seulement de la résolution de problèmes, mais également d’une planification créative, complexe, souple, longitudinale, expérientielle, adaptée, patiente, collaborative, humaniste et environnementale. L’étude, dont on présente les retombées en ERE, montre enfin que les leaders déploient des ressources associées aux individus créatifs.
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 | 0.025 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.009 | 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".