Vers une bonification de la réparation professionnelle et de l’autoréparation : l’expérience de deux personas propriétaires d’un réfrigérateur et d’un téléphone intelligent
Bibliographic record
Abstract
La réparation des appareils électroménagers et électroniques (AEE) a fait l’objet de nombreuses études démontrant ses bénéfices environnementaux et financiers (ADEME, 2020 ; Proctor, 2023). Dans ce contexte, des mesures législatives, comme l’indice de réparabilité en France, et des initiatives citoyennes (comme les sites Web pour l’autoréparation) ont vu le jour pour encourager cette pratique. Malgré le fait qu’il s’agit d’une stratégie incontournable de l’économie circulaire, la réparation demeure peu utilisée (ADEME et Harris Interactive, 2020 ; Côté et Denoncourt, 2022). Afin de bonifier l’expérience de réparation, l’objectif de cet article est de documenter le processus de réparation professionnelle et d’autoréparation vécu par les propriétaires d’AEE défectueux. Dans cette perspective, deux personas, respectivement propriétaires d’un réfrigérateur et d’un téléphone intelligent, ont été conçus avec les résultats d’un sondage canadien réalisé en 2021 pour cerner les freins et leviers à la réparation. Cette étude met en lumière l’importance de rendre la réparation aussi accessible et facile que l’achat. Alors que les résultats révèlent des obstacles aux quatre étapes du processus de réparation, la perception d’irréparabilité des appareils par leurs propriétaires conduit à l’achat d’un nouveau bien plutôt qu’au diagnostic de l’AEE brisé. Pour favoriser la réparation, des mesures à destination de l’industrie et des autorités politiques sont proposées, comme l’offre d’un service de réparation et d’autoréparation sur les lieux d’achat, le prêt d’un appareil pendant la réparation et l’adoption d’un droit à la réparation.
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 | 0.007 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.015 | 0.012 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 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".