Les sciences cognitives face aux changements climatiques : apports et limites pour l’éducation relative à l’environnement
Bibliographic record
Abstract
La nécessité d’apporter des réponses adéquates aux changements climatiques pose pour l’éducation relative à l’environnement (ERE), plusieurs défis quant à la diffusion des connaissances et leur traduction en actions, dans un contexte de déni persistant sur fond de polarisation idéologique. Certaines sciences cognitives, telle la psychologie cognitive, jettent un éclairage sur ces défis qui peut s’avérer riche en enseignements pour l’ERE. Toutefois, ces travaux s’exposent à au moins deux catégories de critiques. Les premières, d’ordre épistémologique et méthodologique, questionnent la reproductibilité et la validité externe des résultats et mettent au jour des penchants déterministes et centrés sur l’individu. Les autres, d’ordre éthique et politique, s’inquiètent des tendances post-démocratiques des solutions suggérées. Dès lors, que pourrait retenir l’ERE des enseignements des sciences cognitives pour favoriser l’action climatique et de quoi devrait-elle se garder ? Cette question est explorée à travers une analyse critique de ces enseignements, soulignant l’importance du développement de compétences métacognitives et de la lutte contre l’individualisme, et la nécessité d’approches plus démocratiques.
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 | 0.042 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.005 | 0.030 |
| Scholarly communication | 0.018 | 0.017 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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".