Bibliographic record
Abstract
Ce propos relève d’une réflexion personnelle, sensible, voire poétique. Il aborde ce sujet par une sorte de géographie traversière, voire d’égo-géographie des paysages nourriciers. Leur diversité est renouvelée par la fugacité et les variations des couleurs en fonction des itinéraires techniques. L’abord retenu diffère donc d’un cadrage méthodologique déjà exploré par ailleurs. Tons et couleurs relèvent principalement du travail des paysans, des stratégies arrêtées pour appliquer des rotations dans les trains de cultures. Les couleurs sont surtout le reflet de temporalités pressées. Elles sont trop souvent simplifiées, tracées en grosses mailles. L’échelle des terroirs, des mosaïques fines, a longtemps servi de référence aux paysages ruraux européens, mais s’étiole alors que sont réclamées de solides trames vertes et bleues (TVB). La couleur entre dans les critères d’évaluation d’agrosystèmes capables de résilience, d’adaptation et de projections inventives pour envisager l’avenir. Nous constatons une distorsion entre, d’une part, la réalité agro-rurale inquiète, voire très en colère, la contrainte imposée de devoir nourrir environ 9 milliards d’hommes et d’autre part les envies de campagnes locales exprimées par nos concitoyens.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.035 | 0.006 |
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".