La déclinaison opérationnelle d’une politique smart, l’exemple des stations de recharge connectées en région Hauts-de-France
Bibliographic record
Abstract
Il ne suffit pas d’autoproclamer la ville « intelligente » pour la faire advenir. Dans son acception technologique, la ville intelligente implique de diffuser des objets connectés ou communicants dont on peut capter les données pour en optimiser l’usage ou les consommations. La mise en place d’un service public de recharge connecté est l’une des réalisations concrètes des politiques de villes intelligentes actuelles. L’article examine ainsi le projet de déploiement de stations de recharge publiques porté par l’ancienne région Nord-Pas-de-Calais à partir de 2011. Il retrace les conditions qui ont permis de développer un service « connecté », dont les fonctionnalités ont évolué au cours des dix dernières années, au gré des réglementations, de la constitution d’un système d’acteurs de la recharge et des attentes des utilisateurs. L’article détaille aussi les enjeux que soulèvent désormais la production de données par les stations de recharge en matière de diffusion, de collecte et de traitement ainsi que leur utilité pour le projet de territoire. Les analyses de l’article s’appuient sur les données collectées lors de 45 entretiens menés entre 2017 et 2020 dans la région Hauts-de-France.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.004 |
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".