Proximité entre riverains et pesticides en territoire de grandes cultures. Visibilité et invisibilité des micro-adaptations agricoles
Bibliographic record
Abstract
L’objet de cet article est d’interroger comment la proximité des riverains (entendus comme résidents limitrophes et promeneurs) avec les traitements aux pesticides affecte les pratiques d’agriculteurs. Nous étudions les adaptations et ajustements qu’elle entraîne au-delà de ce qui a été rendu obligatoire avec les zones non traitées (ZNT) fin 2019. Nous mobilisons la complémentarité entre un travail de terrain et une analyse spatiale par système d'information géographique (SIG) à l’échelle de l’aire urbaine de Poitiers, région agricole française de grandes cultures. Nous montrons que la rareté des conflits s’accompagne néanmoins de tensions ressenties par les agriculteurs. Les micro-ajustements temporels et spatiaux constatés traduisent une volonté d’éviter le contact avec les riverains lors de traitements. Finalement, ces adaptations prennent peu la forme d’écologisation des pratiques, dans un contexte où les pesticides sont réduits à la notion de nuisance agricole. Elles servent principalement à anticiper des tensions redoutées localement. Ces ajustements témoignent d’une prise en compte à une échelle parfois très fine des riverains par les agriculteurs.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 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".