Quand des pesticides empoisonnent la recherche, la réglementation et la démocratie :
Bibliographic record
Abstract
Jamais dans l’histoire des sciences n’a-t-on publié un récit aussi détaillé des attaques et des perfides manipulations d’un géant de l’agrobusiness pour détruire la réputation et la vie de l’un des scientifiques ayant le plus publié sur son produit phare : le Roundup de Bayer-Monsanto, un des herbicides à base de glyphosate le plus vendu au monde et les OGM conçus pour les absorber sans en mourir, bref, une clé de la concentration agroindustrielle. Gilles-Éric Seralini, ce biologiste moléculaire et professeur d’université, visé par ces exactions l’ayant forcé à entreprendre sept procès pour diffamation qu’il a tous gagnés, n’aurait jamais pu soupçonner l’ampleur et la gravité de ces attaques, dont les principaux ressorts sont révélés dans cet exceptionnel récit d’investigation. En effet, chose absolument unique, ce travail d’analyse, éclairé par l’expérience scientifique de Seralini, est basé sur les 2,5 millions de pages de documents internes de Bayer-Monsanto, déclassifiées lors des premiers procès américains des 125 000 victimes de lymphome non hodgkinien attribué au Roundup, Les Monsanto Papers et notamment sur les 20 000 pages où son nom apparait 55 952 fois. C’est pour avoir décodé les jeux douteux de l’entreprise et du monde des pesticides qu’il en est devenu la cible. Ne perdant jamais de vue l’essentiel, Seralini et Douzelet révèlent la redoutable puissance de manipulation de l’information du géant de l’agrochimie pour taire la toxicité du Roundup, et surtout pour détourner les bases mêmes de la réglementation publique censée protéger la santé et l’environnement. C’est alors la réglementation sur l’ensemble des pesticides qui est visée, un enjeu économique colossal, mais plus encore, un enjeu vital pour la santé, l’alimentation et la biodiversité. À l’opacité et aux mensonges, ils opposent donc l’accès aux Monsanto Papers (U.S.Right to Know, [en ligne] URL : https://usrtk.org/) et aux articles scientifiques [en ligne] URL : www.seralini.fr alors qu’un récent webinaire évoque les jalons de cette recherche [en ligne] URL : https://www.unicaen.fr/recherche/mrsh/forge/6930.
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".