Bibliographic record
Abstract
Parce que leur requalification rencontre nécessairement le problème du traitement des traces de l’activité disparue, les friches questionnent le rapport que la société entretient avec le patrimoine industriel. Scories à éliminer car portant la marque de l’archaïsme pour les politiques fordistes d’aménagement, les héritages de l’industrialisation ancienne sont devenus des atouts à exploiter pour se distinguer dans la concurrence territoriale généralisée qui prévaut depuis les années 1980. L’instrumentalisation opportuniste du décor industriel qui marque les opérations alors engagées, rencontre ses limites au tournant des années 2000. L’émergence d’une sensibilité au patrimoine industriel dans les territoires concernés, la montée des contraintes environnementales, signent l’épuisement des recettes éprouvées. La mobilisation des ressources académiques apparaît alors comme un palliatif de l’impuissance des aménageurs. Il en résulte un approfondissement sur le sens historique du legs qui dépasse les effets de la seule séduction du bâti et transforme le statut du patrimoine de plus value dérobée en argument d’aménagement. Les logiques de requalification restent cependant essentiellement économiques et ne se démarquent pas d’objectifs de revalorisation et de promotion territoriale imposés aux populations.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.012 | 0.007 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 0.002 |
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".