Débats médiatisés et numériques sur la sécheresse. Le cas des pénuries d’eau dans un climat semi-aride en Arizona
Bibliographic record
Abstract
Cet article vise à analyser la publicisation des débats sur les orientations de politiques publiques, les choix sociotechniques et les solutions alternatives avancés par des acteurs et actrices, pour faire face aux situations de sécheresse et de pénurie en eau. Il prend pour cas d’étude l’État d’Arizona (États-Unis), dans lequel ces situations se multiplient et s’intensifient. Les analyses combinent les connaissances apportées par des entretiens et des observations sur le terrain avec l’analyse des réseaux d’acteurs et actrices, des discours collectés dans la presse locale et des messages sur Twitter. Il apparaît que les prises de position et les décisions de nature politique et économique entraînent des conséquences déterminantes sur la répartition des ressources hydriques. Enfin, l’article montre comment les prises de position et les discours, en relation avec les enquêtes de terrain, représentent une source d’importance pour évaluer les configurations spatio-temporelles des épisodes de sécheresses et pour déterminer quels sont les risques et les mesures mises ou à mettre en œuvre qui préoccupent les sociétés et font l’objet de débats publics.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".