Bibliographic record
Abstract
En décembre 2015, les principaux pays du monde ont signé à Paris un accord les engageant à entreprendre des actions en vue de réduire les émissions de gaz à effet de serre et limiter ainsi l’ampleur du réchauffement climatique en cours. Pour ce faire, il faut agir à la fois dans le sens d’une amélioration de l’efficience énergétique, mais aussi engager une réelle « décarbonation » de nos systèmes de production. Or, comme le soulignent très justement ici Alain Grandjean et Mireille Martini, cette transition vers une économie décarbonée a fort peu de chances de se concrétiser tant qu’émettre des gaz à effet de serre ne coûte rien à ceux qui les produisent. D’où l’importance de mettre en place un « signal-prix » du carbone les incitant à revoir leur modèle économique. Après avoir rappelé les différents dispositifs envisageables pour taxer le carbone et la façon dont on pourrait en fixer le prix, les auteurs présentent le cas particulier de la France en la matière, puis celui de l’Europe et du marché européen de quotas d’émission. Ils montrent ainsi le fonctionnement encore imparfait de ce marché et soulignent la nécessité de dispositifs complémentaires. Enfin, ils examinent la problématique du signal-prix carbone à l’échelle internationale, où ce type de dispositif ne peut être envisagé que de manière différenciée. S.D.
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 | 0.004 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.011 | 0.016 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.007 | 0.007 |
| Insufficient payload (model declined to judge) | 0.022 | 0.003 |
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".