Séquence ERC : comment améliorer l’utilisation des méthodes de dimensionnement de la compensation écologique ?
Bibliographic record
Abstract
L’insuffisance des connaissances, d’outils et de méthodologies partagés est identifiée comme l’une des causes de la faiblesse de l’application en France de la séquence « Eviter, Réduire, Compenser » (ERC) les impacts négatifs résiduels significatifs causés par les projets d’aménagement, plans ou programmes, sur la nature. Cela concerne notamment les méthodes pour évaluer l’atteinte de l’objectif d’absence de perte nette (MAPN). Cet article traite de la question de l’opérationnalité du point de vue des utilisateurs des méthodes c’est-à-dire, des acteurs des territoires concernés par la mise en application de la séquence ERC. Nous analysons la dimension opérationnelle de ces méthodes en nous appuyant sur un cadre théorique original défini par l’ergonomie. La définition de l’opérationnalité proposée dans ces travaux est basée sur trois composantes qui sont l’utilité, l’utilisabilité et l’acceptabilité socio-organisationnelle. Nous associons à ces trois composantes quinze critères déterminés à partir de la bibliographie de référence et de nos enquêtes auprès des acteurs de terrain. Le premier résultat de ces travaux est de démontrer qu’environ la moitié des critères déterminant une bonne prise en compte de la dimension opérationnelle des MAPN ne sont pas considérés par les concepteurs. À ce stade, elle peut s’avérer utile pour guider la conception, se doter d’un vocabulaire commun et ne pas négliger des points peu pris en compte ou simplement « oubliés » jusque-là dans la conception des MAPN en France.
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 | 0.018 | 0.040 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.005 | 0.007 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".