Améliorer la gestion des espaces naturels par la participation. Une analyse du guide français pour l’élaboration des plans de gestion
Bibliographic record
Abstract
La protection de l'environnement est aujourd'hui un enjeu majeur à toutes les échelles. En France comme dans de nombreux pays dans le monde, l’une des stratégies clés dans ce domaine est la protection d’espaces naturels faisant l’objet de mesures de gestion et/ou de restauration. De nombreux acteurs scientifiques et institutionnels se positionnent pour proposer des cadres afin de rationaliser ces mesures de gestion/restauration, mais ces démarches ne font que très rarement l’objet d’analyses scientifiques critiques. Un guide méthodologique a ainsi été récemment développé pour guider de manière cohérente tous les acteurs concernés par l’élaboration des plans de gestion d’Espaces naturels protégés (ENPs) français. Nous proposons ici la première évaluation scientifique de ce guide. Celle-ci s’appuie sur l'application d'un cadre évaluatif constitué de trois critères : les fondements scientifiques, l'opérationnalité, et la légitimité. L’application de ces critères nous permet de mettre en évidence certaines faiblesses du guide, qui sont susceptibles d’influencer négativement la qualité des activités des gestionnaires qui l’utilisent. Nous montrons des pistes d’amélioration par le déploiement de démarches participatives, que le guide mentionne rapidement alors qu’il devrait leur accorder une plus grande importance, en explicitant les modalités de mise en œuvre et les précautions à prendre pour les déployer.
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 | 0.020 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.006 | 0.009 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
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".