Le Pacte mondial pour l’environnement : un appui à la gouvernance mondiale de l’environnement?
Bibliographic record
Abstract
L’Assemblée générale des Nations unies a adopté le 10 mai 2018 une résolution ouvrant des négociations en faveur d’un Pacte mondial pour l’environnement susceptible de combler les défaillances de la gouvernance actuelle. À cet effet, un groupe de travail spécial a été mis en place avec pour mission de discuter des moyens permettant de remédier aux lacunes du droit international de l’environnement telles qu’exposées, par le Secrétaire général des Nations unies, dans un rapport technique en date du 13 décembre 2018 et, corolairement, de l’opportunité d’adopter un traité international général en faveur de la protection de l’environnement qui déclinerait sous forme d’engagements juridiquement contraignants l’ensemble des principes fondateurs du droit international de l’environnement. Dans le cadre de la présente contribution, l’auteure s’interroge sur la pertinence juridique et pratique de ce futur pacte mondial initié par un collectif d’experts internationaux en droit qui viserait à améliorer la gouvernance mondiale de l’environnement en favorisant une plus grande effectivité du droit international de l’environnement au travers notamment des mécanismes de gouvernance plus inclusifs.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.005 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.016 | 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".