Réduire les inégalités et atteindre l’équité pour sauver la planète : par quel bout commencer ?
Bibliographic record
Abstract
Notre prémisse commence avec les inégalités : la santé de la planète et de l’humanité est dépendante de notre capacité à les réduire. Les inégalités plongent toutes les sociétés dans des crises interreliées : environnementale, climatique, énergétique, agricole, économique, sociale, santé publique. Alors que certains individus et groupes sont touchés disproportionnellement plus que d'autres, tout le monde, à tous les niveaux de la société, souffre des effets négatifs des inégalités. Les défis de compréhension touchent deux domaines principaux : d’une part, la population et la manière dont elle consomme la planète ; d’autre part, l’adaptation aux changements, en particulier à ceux induits par les problèmes socioenvironnementaux causés par notre système socioéconomique global. Notre contribution collective – ce qu’on peut extraire des articles composant ce numéro spécial et leur mise en contexte – est double. Premièrement, elle s’attache à mieux comprendre la complexité des sources d’inégalités, regroupées autour de quatre thèmes : l’information ; les enjeux de pouvoir ; les bonnes intentions de développement et leurs effets négatifs ; les questions systémiques, en particulier celles reliées au foncier. De plus, existe un besoin pressant de comprendre les défis socioenvironnementaux soulevés par les inégalités : par exemple, ceux reliés aux connaissances scientifiques, à la nature dynamique des situations diverses, à la mise en œuvre des projets de réduction de ces mêmes inégalités, aux obstacles mis en place, ainsi qu’à d’autres défis en lien avec les questions de vulnérabilité et de justice. Sur cette base, deuxièmement, cette introduction explore aussi quelques pistes de solutions, examinées aux échelles locale, nationale et mondiale. Des solutions systémiques multiscalaires font partie intégrante de la lutte contre les inégalités, afin de parvenir à un monde plus équitable et plus juste.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.022 |
| Scholarly communication | 0.015 | 0.025 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.007 | 0.009 |
| 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".