La démocratisation de l’accès aux images satellite : un enjeu de citoyenneté ?
Bibliographic record
Abstract
Ces dernières années, la diffusion massive d’images satellite pour documenter des catastrophes (incendies dévastateurs au Canada, tremblement de terre en Turquie) ou des conflits (guerre en Ukraine) sur les réseaux sociaux et dans les médias, montre un tournant dans l’utilisation d’une source d’information longtemps circonscrite au renseignement ou à un usage professionnel spécifique en raison de son intérêt stratégique ou de son coût. Depuis le milieu des années 2000, la « révolution numérique » et avec elle Google Earth puis l’open data ont changé la donne. Cet article cherche à montrer comment cette démocratisation de l’accès aux images satellite peut contribuer à une meilleure prise de conscience des enjeux environnementaux mais aussi à une forme d’empowerment citoyen, compris ici comme la capacité donnée aux individus de pouvoir mieux s’informer en faveur d’une plus grande transparence, dans un monde bousculé par l’urgence climatique et la désinformation croissante. Il défend l’idée que l’image satellite peut être identifiée à un « outil-citoyen » et il s’appuie sur une recherche-action pour proposer une méthode visant à favoriser une éducation à l’imagerie spatiale dans l’enseignement secondaire, préalable à une appropriation citoyenne de l’outil. Après avoir rappelé les grandes étapes qui ont mené à la démocratisation de l’accès aux images satellites, il s’agira d’expliquer en quoi l’image satellite est un outil-citoyen qui permet d’appréhender les grands enjeux sociétaux d’aujourd’hui puis de voir comment une « éducation à l’imagerie spatiale » peut être mise en œuvre de manière pratique dans la classe de géographie en France. Alors que les pistes pédagogiques proposées à la lumière d’une recherche-action tendent à montrer que l’image satellite permet d’engager favorablement les élèves à développer des compétences aussi bien géographiques que transversales, l’article appelle à réfléchir à la place de l’image satellite dans l’enseignement secondaire en France dans une perspective citoyenne qui prolonge le cadre disciplinaire sur lequel il s’appuie (ici la géographie).
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 | 0.006 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.014 |
| Scholarly communication | 0.014 | 0.012 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
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".