MétaCan
Menu
Back to cohort
Record W2792793982 · doi:10.4000/vertigo.18723

Les micropolluants d’origine domestique dans l’eau : enquête sur la représentation d’une nouvelle menace

2017· article· fr· W2792793982 on OpenAlexvenueno aff
Carine Heitz, Marjorie Pierrette, R. Barbier

Bibliographic record

VenueVertigO · 2017
Typearticle
Languagefr
FieldEnvironmental Science
TopicWastewater Treatment and Reuse
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPolitical scienceArt

Abstract

fetched live from OpenAlex

La présence de micropolluants dus au déversement de certains produits dans les réseaux d’assainissement est une préoccupation croissante pour les pouvoirs publics. Les stations de traitement des eaux usées (STEU) ont de plus en plus de difficultés à les traiter ce qui peut entraîner des dommages sur les écosystèmes et la santé humaine. Il semblerait qu’une partie non négligeable de ces rejets problématiques proviennent directement des pratiques domestiques. Dans ce contexte, il apparaît nécessaire de réduire et/ou d’améliorer l’ensemble des rejets issus des habitations. Cependant, avant de soumettre des actions auprès des individus dans l’optique de faire changer leurs habitudes, il est impératif de connaître la façon dont ils se représentent la menace environnementale qu’est la présence de micropolluants dans les eaux. Pour cela 605 habitants de Strasbourg (Est de la France) ont été enquêtés. Les résultats de cette étude soulignent l’importance de la prise de conscience du rôle des activités domestiques dans la présence de micropolluants dans l’eau. Néanmoins, la population interrogée reste majoritairement persuadée que l’industrie est le principal responsable et il semble difficile de s’imaginer que des produits d’utilisation courante, notamment ceux liés à l’hygiène corporelle, puissent avoir une quelconque incidence sur la qualité des cours d’eau.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesInsufficient payload (model declined to judge)
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.251
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.001
Scholarly communication0.0000.001
Open science0.0010.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0020.002

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.

Opus teacher head0.015
GPT teacher head0.269
Teacher spread0.254 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; both teacher heads agree on what is shown here.

Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations1
Published2017
Admission routes1
Has abstractyes

Explore more

Same venueVertigOSame topicWastewater Treatment and ReuseFrench-language works237,207