Quels leviers pour associer les agriculteurs français à une transition agro-écologique ?
Bibliographic record
Abstract
À partir d’entretiens effectués avec des acteurs agricoles d’Île-de-France, cet article a pour objectif d’étudier les motivations et les résistances des agriculteurs français pour la mise en place d’une transition agro-écologique. Les principaux leviers pour changer de modèle agricole reposent sur le constat partagé d’une accélération des événements climatiques extrêmes, la volonté de transmettre une exploitation pérenne et le partage d’expérience avec d’autres agriculteurs voisins ayant mis en place des démarches de transition. Le frein principal pour un changement de pratiques repose sur le langage qui construit des barrières entre des agriculteurs utilisant des concepts d'écologie (biodiversité, écosystème) plutôt portés par les agriculteurs biologiques et les acteurs institutionnels de cette filière ainsi que les agriculteurs dits conventionnels qui utilisent un vocabulaire issu de l’agronomie. Même si la notion de sécheresse, très prégnante lors de la réalisation des enquêtes, constitue un point de consensus et de dialogue entre agriculteurs, derrière ces langages se cachent des manières de concevoir le monde, des savoirs et un rapport au collectif très différents qui ne permettent pas une percolation des pratiques plus écologiques chez les conventionnels.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.009 | 0.006 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".