Protéger la biodiversité marine : regard sur la Méditerranée au prisme des outils de l’UICN
Bibliographic record
Abstract
La mer Méditerranée réunit de forts enjeux économiques (transports mondiaux, tourisme, pêche), sociaux (immigration) et environnementaux (hotspot de biodiversité, et zone fortement impactée par le changement climatique). Cette petite mer semi-fermée apparaît alors comme un espace adapté pour interroger deux outils de protection environnementale du milieu marin : les listes rouges de l’Union internationale pour la conservation de la nature (UICN) et les aires protégées. Cette étude s’attache à comprendre la mise en place de ces deux outils sur le milieu marin, après avoir analysé l’émergence des enjeux environnementaux dans les arènes politiques et scientifiques. Basée sur une méthodologie regroupant observation participante au sein d’une institution vouée à la protection des espaces insulaires de Méditerranée, entretiens semi-directifs et analyses de documents, cette étude propose une réflexion s’appuyant sur des concepts et des cadres d’analyses développés par les science studies, les sciences de gestion et la géographie. L’objectif est d’analyser la construction des enjeux environnementaux en formalisant une dynamique cyclique reliant objet scientifique et sujet environnemental politique. Les enjeux marins sont repositionnés dans cette dynamique en étudiant plus particulièrement la place des incertitudes. L’objectif de l’étude est d’interroger la pertinence du transfert des deux outils utilisés dans les politiques de protection de la biodiversité (listes rouges et aires protégées) du milieu terrestre vers le milieu marin. Ces outils ne s’adaptent pas aussi facilement au milieu marin où les données naturalistes sont moindres et les usages peu compatibles avec certains objectifs des aires protégées.
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 | 0.006 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".