La pertinence des indices de vulnérabilité aux aléas naturels pour les gestionnaires : une approche mixte de la revue de littérature
Bibliographic record
Abstract
La vulnérabilité d’un territoire aux aléas naturels est un concept très employé aux nombreuses définitions sans pour autant être directement mesurable. Pour opérationnaliser cette variable latente, nombre d’études proposent des approches quantitatives sous forme d’indices. L’ambition souvent affichée est d’offrir un outil d’aide à la décision aux acteurs d’un territoire pour renforcer son adaptation face aux aléas naturels et aux changements climatiques. Cependant, il existe dans la littérature un contraste entre les méthodes d’indices développées et leur impact dans les politiques de réduction de la vulnérabilité. Pour éclairer les choix méthodologiques parmi la grande diversité des pratiques, cette revue de littérature exploratoire propose une approche mixte. À partir d’une grille d’analyse, des publications attestant d’une méthode d’indice pertinent pour son public cible ont été testées par rapport à un échantillon se voulant représentatif. De ces résultats croisés à une analyse qualitative, il ressort que i) contrairement à la formulation dans nombre de résumés, peu de recherches ont l’ambition effective de développer un indice opérationnel pour la gestion ; ii) les indices faisant l’objet d’un intérêt d’application sont polarisés dans les centres urbains de pays à fort développement ; iii) l’implication des potentiels utilisateurs finaux dans la construction d’indices n’est pas un critère nécessaire, mais facilitateur à plusieurs niveaux ; iv) aucun choix méthodologique n’a a priori d’incidence fixe sur la pertinence de l’indice qui dépend du contexte de l’étude et du territoire étudié ; v) la représentation cartographique est le seul critère apparaissant comme nécessaire, soulignant l’importance de la communication entre chercheurs et gestionnaires.
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 | 0.026 | 0.065 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.004 |
| Bibliometrics | 0.010 | 0.009 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| 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".