Rendre visible les impacts des pesticides du soja : contributions et limites d’un observatoire de science citoyenne à Santarém, Amazonie brésilienne
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Le Brésil est parmi les plus gros consommateurs mondiaux de pesticides, pourtant leur impact sur les populations locales peine à émerger en tant que problème public, en raison d’un contexte politique particulièrement favorable à l’agriculture industrielle. Dans cet article, nous investiguons comment les connaissances produites sur l’impact des pesticides contribuent (ou non) à faire émerger ce problème public. Notre réflexion s’appuie sur un processus de science citoyenne mené dans la région de Santarém, en Amazonie Brésilienne, où le soja connaît une importante expansion depuis 20 ans. Nous y avons construit depuis 2017 un observatoire en partenariat avec les syndicats paysans, pour rendre visible l’impact des pesticides utilisés dans les cultures de soja sur l’agriculture familiale. Des jeunes agriculteurs, formés à être « chercheurs communautaires », ont administré 544 questionnaires auprès d’agriculteurs familiaux pour connaître leurs pratiques et évaluer les changements occasionnés depuis l’arrivée du soja. Nous menons une analyse à trois niveaux : au niveau national, nous suivons l’émergence des pesticides comme problème public, sa consolidation au cours du gouvernement travailliste (2003-2016), puis son démantèlement ; au niveau local, l’enquête montre à quel point les agriculteurs familiaux sont fortement impactés par les pesticides et dans le même temps peu conscients d’être des « victimes » ; enfin, au niveau territorial, nous nous interrogerons sur la fragilisation du débat entre science et politique, notamment au sein du Forum régional de lutte contre l’impact des pesticides mis en place à Santarém.
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.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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 it