Ergonomie spatiale pour territoires résilienciels : approches et perspectives
Bibliographic record
Abstract
Le recours à l’ergonomie spatiale dans la problématique de résilience repose sur l’hypothèse maîtresse que la capacité d’un territoire à récupérer ses fonctions de base après une catastrophe dépend de son niveau de performance globale déjà présent en période normale à mettre à disposition des ressources (au sens large : services, activités, ravitaillement, communication, etc.). Il s’agit ainsi de modéliser le système de contraintes spatiales, fonctionnelles et de coûts/effort, conditionnant, à différentes échelles d’espace et de temps, la mobilisation des ressources d’un territoire, par sa population et par ses acteurs décideurs, en situation ordinaire et en situation dégradée. Nous présentons ici une première exploration sur la capacité qu’offre le rapprochement « ergonomie spatiale/résilience territoriale » à produire des outils de diagnostic pour aider au développement d’une gestion résiliente. La démarche méthodologique pour analyser et cartographier un degré d’ergonomie spatiale au sein d’un territoire sera présentée à travers un exemple expérimental sur l’Eurométropole de Strasbourg. L’ensemble de la démarche a pour but de construire une information de synthèse qui puisse aider à définir un schéma innovant en matière d'organisation et de fonctionnement résilients.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
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.
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".