Les cartes d’aléas littoraux : quand la technique occulte des conceptions différentes de la politique française de gestion des risques
Bibliographic record
Abstract
La cartographie des aléas littoraux (submersion marine, recul du trait de côte) est basée à la fois sur la connaissance des phénomènes locaux et sur des principes propres à la politique de prévention des risques naturels. Lors de l’élaboration des Plans de Prévention des Risques Littoraux (PPRL), instruits par les services de l’État, les cartes d’aléas, qui serviront ensuite, une fois croisées avec celles des enjeux, à la réalisation du zonage réglementaire, concentrent les débats et parfois les conflits. La méthode d’élaboration du PPRL fait de la cartographie des aléas la principale étape de territorialisation des PPRL. Les collectivités voient ainsi majoritairement la carte d’aléas comme un pré-zonage réglementaire annonçant des restrictions d’urbanisation. Les cartographies d’aléas sont donc influencées par les intérêts divergents des acteurs. Or, pour les services de l’État, les cartes d’aléas restent avant tout un objet technique, peu négociable. Les débats, très techniques, centrés sur ces cartes, masquent les objectifs du PPRL. Ils ne permettent pas une appropriation des hypothèses de cartographie liées à la politique nationale de prévention des risques naturels majeurs, basée sur la solidarité nationale et le développement durable.
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.006 | 0.022 |
| Scholarly communication | 0.009 | 0.009 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".