Evaluation de la durabilité des exploitations agricoles : une synthèse bibliographique
Bibliographic record
Abstract
La dégradation de l'environnement s'accentue et des études ont déjà révélé que les activités humaines telles que l'agriculture en sont les principales causes. Il s'agit d'une urgence qui exige une action de la part de tous les acteurs à tous les niveaux, et plus encore de la part des chercheurs. C’est d’ailleurs pour cette cause que la cible 7 de l’SDG 17 exhorte au transfert et à la diffusion de technologies respectueuses de l’environnement. Cependant, les articles de revue et de recherche qui émergent autour de la question de l'évaluation de la durabilité des exploitations agricoles semblent laisser de côté la capitalisation des résultats sur le terrain et aucune approche d’évaluation n’inclue une telle étape qui demeure la plus importante. La présente revue de la littérature invite les chercheurs à s’impliquer dans la mise en œuvre des recommandations après toute étude d’évaluations de la durabilité des exploitations agricoles. Elle part d’une analyse critique des recherches récentes sur la question entre 2017 et 2020 et débouche sur une approche de recherche-action nommée Deep Participatory Indicator-Based (DPIB). Les moteurs de recherche scientifique comme Google Scholar et Science Direct ont été utilisés pour identifier trente (30) articles pertinents à cet effet.
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 | 0.019 | 0.046 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.025 | 0.039 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".