MétaCan
Menu
Back to cohort

Découvrir les nouveaux visages des régions du Québec (entrevue)

2021· article· fr· W4392423830 on OpenAlexaboutno aff
Marie-Ève Arbour, Raphaël Canet

Bibliographic record

VenueRevue Possibles · 2021
Typearticle
Languagefr
FieldSocial Sciences
TopicSocial Sciences and Governance
Canadian institutionsnot available
Fundersnot available
KeywordsChemistry

Abstract

fetched live from OpenAlex

PARTIE 2 Les expériences d'ici Découvrir les nouveaux visages des régions du Québec Entrevue avec Marie-Ève Arbour Marie-Ève Arbour est la fondatrice de Visages régionaux, une agence spécialisée en marketing territorial et en développement des communautés. Passionnée des territoires, elle dirige une équipe multidisciplinaire qui accompagne les villages, villes et régions à se développer et à se faire connaître auprès des 25-45 ans qui s'intéressent au mode de vie rural. Marie-Ève a également un parcours d'implication sociale et environnementale bien garni. Elle a notamment participé à cinq forums sociaux à l'international et cofondé le mouvement Coule pas chez nous. L'entrevue a été réalisée par Raphaël Canet.RC. Tu as fondé Visages régionaux il y a plusieurs années.Peux-tu nous raconter quel était ton projet initial ?MEA.Le projet initial est parti de deux jeunes étudiants de l'UQAM qui venaient de finir leurs études, mon ex-copain et moi.Lui était diplômé en science politique et moi en communication.On avait beaucoup voyagé et j'avais déjà participé à deux forums sociaux.On avait envie de faire quelque chose qui ait un impact sur notre milieu, de contribuer au changement, mais on ne savait pas trop par quel bout commencer.On avait cependant le sentiment que même si on aimait vraiment Montréal, on ne se voyait pas y habiter.Comme si en ville on manquait un peu d'opportunités et que tout y était déjà fait.On avait le goût, cette année-là, d'aller voir un peu ce qui se faisait en région.Je me rappelle, c'était en 2009, on était au café Byblos sur la rue Laurier, Simon et moi.On réfléchissait à ce qu'on voulait faire avec ce projet-là.Et on a posé notre candidature à la bourse Laure Waridel d'Équiterre.On a gagné cette bourse de 10 000 $, qui était vraiment un montant exceptionnel pour nous à ce moment-là !On a acheté un camion qu'on a converti à l'huile végétale avec une petite roulotte en arrière qu'on a rénové.Nous étions en quête d'inspiration.Notre but c'était d'aller nous promener en région, parce qu'on avait l'impression qu'il se passait des choses mais qu'on n'en entendait pas beaucoup parler.Comme si le discours dominant autour des régions était souvent pessimiste, qu'on parlait de dévitalisation, de la perte des services, de l'exode rural.En parallèle, on avait le sentiment qu'un discours axé sur les nouvelles façons de vivre la ruralité, axé sur le positif et sur la résilience serait peut-être une façon de s'impliquer, à notre échelle.On a donc décidé d'aller voir par nous même pour découvrir des initiatives inspirantes portées par des gens tout aussi inspirants.Nous avions ciblé trois critères pour choisir parmi ces initiatives régionales : la construction écologique, la participation citoyenne et l'autonomie alimentaire.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.003
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Other · Consensus signal: none
Teacher disagreement score0.047
Threshold uncertainty score0.340

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.003
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.002
Science and technology studies0.0190.004
Scholarly communication0.0050.002
Open science0.0010.003
Research integrity0.0020.003
Insufficient payload (model declined to judge)0.0100.001

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.

Opus teacher head0.036
GPT teacher head0.289
Teacher spread0.252 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designNot applicable
Domainnot available
GenreOther

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".

Quick stats

Citations0
Published2021
Admission routes1
Has abstractyes

Explore more

Same venueRevue PossiblesSame topicSocial Sciences and GovernanceFrench-language works237,207