L’aménagement des cours d’eau, une thématique transversale pertinente pour la géographie scolaire et l’éducation à la durabilité en Suisse
Bibliographic record
Abstract
L’intensification des événements climatiques extrêmes accroît les défis de gestion des ressources en eau, exacerbant les vulnérabilités des systèmes hydriques et nécessitant des approches innovantes et participatives pour garantir la sécurité des populations. L’aménagement des cours d’eau s’avère être une thématique à l’interface d’enjeux environnementaux, climatiques et socioéconomiques complexes. Cette étude explore cette dernière en tant que thématique pour l’enseignement de la géographie et de l’éducation à la durabilité (ED) au secondaire I (élèves de 12 à 15 ans). En adoptant une approche transdisciplinaire, des entretiens ont été réalisés avec des expert·es de l’aménagement des cours d’eau et en didactique de la géographie et de l’ED. Les résultats révèlent la complexité de cette thématique dont les enjeux varient en fonction des contextes géographiques. De plus, elle offre des opportunités intéressantes pour enseigner une géographie problématisée et d’action dans une perspective d’ED par le traitement d’une question socialement vive (QSV). Par l’étude d’enjeux contextualisés, elle favorise également l’enseignement à l’extérieur qui ouvre sur la complexité du monde extérieur de la classe.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 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".