Promouvoir le génie végétal au Québec
Bibliographic record
Abstract
Au Québec, l’intérêt pour le génie végétal (i.e. l’utilisation de végétaux vivants pour lutter contre l’érosion) sur les berges de cours d’eau est croissant, malgré les contraintes particulières comme la glace, une forte présence du batillage ou les argiles sensibles. Cet article vise à identifier les freins et les leviers pour une plus grande utilisation du génie végétal au Québec, en se basant sur un atelier qui a réuni en octobre 2022 une trentaine d’intervenants du domaine. Quatre types de freins ont été identifiés : ceux liés 1) à la gouvernance institutionnelle et à la réglementation (par exemple, la complexité de certains règlements et leurs changements constants) ; 2) à la perception et à l’acceptabilité des ouvrages (ainsi, leur mise en place remet en cause certains usages et le droit de propriété) ; 3) à la gestion d’un projet et à sa temporalité (par exemple, la conciliation des calendriers liés à la faune piscicole et à la période de croissance des boutures) ; et enfin, 4) au manque de connaissances et de formation (comme l’illustre par exemple le cloisonnement entre les connaissances en écologie et en génie). Si des leviers ont été identifiés pour chacun de ces freins, des leviers plus globaux ont également été ciblés, comme le développement d’une communauté de praticiens fédérant un collectif motivé, ou encore l’écriture d’un guide technique et réglementaire qui pourrait servir de référence de base pour la diffusion de ces techniques.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".