Bibliographic record
Abstract
Les premiers mouvements migratoires de l’être humain moderne remontent à l’ère du paléolithique. La dynamique de ces mouvements était en partie expliquée par le rythme des oscillations climatiques. Toutefois, l’ampleur des migrations de cette période était moins préoccupante comparativement à celle observée à notre époque. En effet, de nos jours, le nombre de migrant.e.s climatiques s’est accru du fait de la vitesse des changements climatiques et de ses effets en particulier dans les pays en développement. Ainsi, un grand nombre d’individus quittent très souvent leur lieu de résidence vers d’autres destinations à l’intérieur ou à l’extérieur du pays d’origine. En 2018 seulement, plus de 16 millions de personnes ont migré pour des raisons climatiques (IDMC, 2019). Les populations qui se déplacent à la suite de catastrophes naturelles ou environnementales sont appelées « migrant.e.s climatiques ». Cet article a pour objectif d’éclairer l’opinion publique sur l’état des lieux des débats menés autour des migrations climatiques. Plus spécifiquement, nous présenterons un rapide historique de ce phénomène en nous appuyant sur la littérature scientifique. Nous reviendrons ensuite sur les principales causes et conséquences de ces migrations. Puis, nous présenterons quelques mesures préconisées pour une meilleure adaptation aux changements climatiques et à ses conséquences ainsi qu’une meilleure atténuation de ces derniers
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 imitationNot 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.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.008 | 0.009 |
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; both teacher heads agree on what is shown here.
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".