Mise en œuvre de la protection des sources d’eau potable : Portrait-diagnostic au Québec, Canada
Bibliographic record
Abstract
Au Canada, l’approche à barrières multiples permet une gestion multidimensionnelle de l’eau à l’aide d’outils et de pratiques permettant d’assurer une eau de qualité, de la source (lac, rivière, etc.) au robinet des citoyens. Une de ces barrières, la protection des sources d’eau potable (PSEP), cherche à anticiper ou à réduire les risques naturels et anthropiques qui pourraient altérer les sources. Cependant, la mise en œuvre de la PSEP impose d’acquérir des connaissances multidisciplinaires portant sur la qualité, la quantité de l’eau et sur les composantes naturelles et socio-économiques du territoire. Dans l’optique de mieux comprendre la mise en œuvre de la PSEP au Québec, cet article vise à dresser un portrait-diagnostic permettant d’identifier le processus décisionnel servant à la mise en œuvre de la PSEP, ses intervenants et les connaissances produites et mobilisées pour la prise de décision. Ce portrait se base sur une enquête en ligne réalisée entre novembre 2018 et mars 2019 à laquelle ont participé 208 intervenants liés à la PSEP au Québec. Les analyses qualitatives et quantitatives ont permis de constater que la mise en œuvre de la PSEP implique une grande diversité d’intervenants, de tâches et de connaissances créées et se caractérise par un fort dynamisme inter-organisationnel. Cependant, on constate que son processus décisionnel perd en inclusivité au fil des étapes de mise en œuvre, que les connaissances sont parfois redondantes et qu’il existe de nombreux enjeux de transfert de connaissances (accès, quantité ou qualité des connaissances) entre les intervenants.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.015 | 0.007 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".