Les systèmes alimentaires locaux ou comment transformer les villes par l’alimentation ?
Bibliographic record
Abstract
L’évolution des systèmes alimentaires a contribué à façonner les villes et, inversement, celles-ci ont une incidence sur les secteurs d’activités à la source de notre alimentation. Les systèmes urbains et alimentaires apportent chacun leurs lots de problématiques sociales et environnementales telles que l’insécurité alimentaire (Tarasuk et al., 2014) et la contribution aux changements climatiques (IPCC, 2020). Face aux enjeux urbains, des approches urbanistiques s’inspirant du concept de développement durable ont été développées pour répondre à divers objectifs tels que l’utilisation responsable des ressources naturelles et énergétiques. Toutefois, comme le soulignent Theys et Emelianoff (2001), ces transformations vers une ville plus écologique ne prennent pas toujours en compte la justice sociale tandis que c’est fréquemment en regard de principes de justice que des initiatives alimentaires alternatives diversifiées se sont développées (Allen, 2008) pour répondre aux lacunes du système alimentaire et de l’aménagement urbain qui y est lié. En se basant sur les résultats de 18 entretiens effectués avec des organismes communautaires et des tables de concertation locale à Montréal (Canada), l’objectif de cet article est ainsi d’analyser si ces initiatives alimentaires peuvent à la fois contribuer à transformer les villes en milieux plus écoresponsables et à favoriser une justice sociale. Les résultats présentés explicitent comment ces initiatives mettent en œuvre différentes pratiques liées à la justice distributive tout en répondant à certains objectifs de la ville durable, notamment l’accès facile en transport actif aux services essentiels et le respect du bien-être des citoyens, peu importe leur statut socioéconomique, et ce, dans le respect des distinctions culturelles.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.010 | 0.011 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".