Savoirs et conflits de savoirs en éducation à l’environnement et au développement durable : Le cas des dispositifs éco-orientés UNESCO
Bibliographic record
Abstract
Nous proposons une méthode d’analyse des éducations formelles, non formelles et informelles comme mode de lecture des processus de développement des territoires. Nous positionnons la transmission des savoirs comme un enjeu de pouvoir et considérons l’institution comme un puissant légitimateur de sélection de savoirs sur les territoires. Dans les milieux ruraux, les savoirs environnementaux occupent une position centrale, mais il s’opère un changement de modèle entre éducation à l’environnement, injonctions actuelles d’éducation au développement durable, et positionnement des sciences. Nous proposons d’examiner sous cet angle, le cas des dispositifs éco-orientés UNESCO. Nous avons constitué une base de données sur 113 Géoparcs européens, puis ciblé trois de ces géoparcs de part et d’autre de la Méditerranée (France, Espagne, Maroc) pour étudier les systèmes de transmission des savoirs, y compris dans leur dimension conflictuelle. Les résultats montrent d’une part, un fort décalage entre les intentionnalités curriculaires du programme des Géoparcs mondiaux de l’UNESCO, centrées sur les valeurs et les pratiques de développement durable, et les curriculums locaux, davantage centrés sur les sciences naturalistes et l’identité locale. Nous montrons que les flux de savoirs et les jeux d’acteurs sont essentiellement « de haut en bas » avec une réduction et une instrumentalisation des savoirs vernaculaires.
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 | 0.008 | 0.021 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
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".