Perception de la qualité de l’air urbain extérieur et information du public : retour sur l’application Air To Go
Bibliographic record
Abstract
Les controverses citoyennes autour des mesures de la qualité de l’air sont fréquentes dans certains lieux et l’une des explications se trouve être les importants écarts entre ressentis et mesures de la qualité de l’air. Ces controverses témoignent de l’enjeu social et sanitaire lié à cette question et le fait que la pollution de l’air place les populations dans une « ambiguïté perceptive ». L’article interroge la place de la connaissance dans les mécanismes de perception de la qualité de l’air. Dans cette perspective, les Associations agréées de surveillance de la qualité de l'air (AASQA), doivent relever un défi de taille : traduire des connaissances scientifiques complexes en une information lisible et appropriable entrant parfois en contradiction avec les perceptions sensorielles. Suite à la création par Atmo Auvergne-Rhône-Alpes d’une application mobile, Air To Go, diffusant un indice quotidien de qualité de l’air géolocalisé à une échelle d’une précision de 10 mètres, nous nous intéressons à la façon dont l’accès à des informations à une échelle très précise modifie les représentations de la pollution en atténuant le filtre perceptif. Les résultats montrent la nécessité de nuancer l’influence du filtre perceptif sur les représentations de la pollution atmosphérique, à la fois pour améliorer la perception des risques, mais aussi pour changer in fine les comportements en termes d’exposition et d’émission de polluants.
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 | 0.011 | 0.027 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".