Logiciel SIG et pratique de terrain : quel positionnement de l’outil cartographique pour les acteurs du paysage ?
Bibliographic record
Abstract
Cet article appréhende le paysage au regard de la pratique de terrain (physique et social) et de la manière dont l’outil système d’information géographique (SIG) joue un rôle de médiateur. Comment le SIG reconfigure-t-il le rapport au terrain ? Comment, tant d’un point de vue quantitatif que qualitatif, l’expérience du terrain a-t-elle changé ? Après un état des lieux de la pratique de terrain des utilisateurs, l’article montre comment l’usage du SIG (et des outils associés comme le drone par exemple) crée une distanciation paradoxale au terrain et joue un rôle de médiateur. Le propos repose sur deux types de matériaux complémentaires. Le premier est une conférence utilisateur (structurée autour de quatre retours d’expérience suivis d’une table ronde animée par Thierry Joliveau) qui a été organisée en ligne en juin 2020 sur le thème suivant « Global Mapper, un outil de terrain ? Entre préparation, action et retour d’expérience ». L’événement a permis de croiser le regard de professionnels aux problématiques variées où l’étude du paysage tient une place centrale : la gestion des risques avalancheux, la cartographie des terrains de golf, le notariat et les missions aériennes. Le second est une enquête par questionnaire à destination des utilisateurs de logiciels SIG qui a récolté plus de 350 réponses de pratiquants et non-pratiquants du terrain. Cette enquête permet, entre autres, de montrer une permanence dans l’utilisation de certains outils (comme la carte papier) et comment l’outil numérique invite à la fois à pratiquer le terrain tout en s’en éloignant.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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 teacher head, 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".