Renforcer l’orientation durable de la chaîne logistique : cas de l’industrie forestière
Bibliographic record
Abstract
Le déploiement d’un écolabel est un moyen incontournable pour promouvoir les principes du développement durable dans les chaînes logistiques dites « durables ». Ainsi, l’émergence des écolabels suscite un intérêt grandissant dans le monde académique et industriel, Pour mieux concevoir et gérer une chaîne logistique durable. Une démarche de labellisation peut garantir la transparence et la crédibilité d’un groupe d’entreprises, liées par une charte du développement durable vis-à-vis de leurs clients. La mise en place d’un écolabel nécessite une méthodologie de mise en œuvre rigoureuse. L’objectif de notre article est donc de proposer une démarche de labellisation dans le contexte de l’industrie forestière au Québec, de façon à mettre en valeur la dimension écologique du bois tout en fournissant un moyen pour mieux réunir tous les acteurs autour d’un enjeu majeur. Dans cette optique, la présente recherche, épaulée par une exploration terrain, a permis de faire ressortir un ensemble de facteurs et un plan d’action opérationnel afin d’amener les entreprises forestiéres québécoises à s’orienter vers la mise en place d’une labellisation.
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 | 0.002 | 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 | 0.004 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 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".