Les Nudges verts : un outil novateur pour inciter les Québécois à adopter des comportements à faible empreinte carbone
Bibliographic record
Abstract
L’objectif de cet essai est de mettre en lumière une façon novatrice d’encourager les Québécois à adopter des comportements à faible empreinte carbone : les nudges verts de l’économie comportementale. Au Québec, les trois types d’activités individuelles émettant le plus de gaz à effet de serre sont le transport routier, la consommation énergétique résidentielle et les habitudes alimentaires. Pour réduire ces sources d’émissions anthropiques, les pouvoirs publics ont recours à trois types d’instruments de l’économie néoclassique : la législation (lois et règlements), les incitatifs financiers (taxes, subventions, création de marchés) et l’éducation. Toutefois, des limites d’applications inhérentes à ces outils affaiblissent leurs efficacités. C’est dans ce contexte que s'ajoutent l’économie comportementale et son nouvel outil d’influence, les nudges verts. Les nudges sont de petites modifications du contexte décisionnel influençant la prise de décision et facilitant l’adoption de comportements prosociaux et pro-environnementaux. En soi, l’économie comportementale a amélioré considérablement la compréhension des mécanismes de la prise de décision humaine en identifiant une multitude de biais cognitifs et d’heuristiques de jugement. Ainsi, l’efficacité des nudges résulte de l’activation de leviers d’influence. Pour rendre le tout plus concret, des exemples d’applications sont présentés pour le contexte québécois. Attestant de la popularité grandissante de l’approche Nudge, de nombreux pays et organisations internationales à travers le monde, tel que le Royaume-Uni, les États-Unis, le Canada, l’Organisation des Nations unies et la Banque mondiale ont tous déjà créé leurs propres unités Nudge responsables d’intégrer ce nouvel outil à leurs pratiques. Recycler d’anciens nudges peut être une solution à faible coût à condition que le comportement visé, le public cible et le contexte culturel soient tous analogues. Sinon, un processus en cinq étapes permet de créer de nouveaux nudges. Pour implanter l’économie comportementale et les nudges à l’intérieur des pratiques au Québec, il est recommandé d’utiliser les nudges verts en complément des autres outils. De plus, la réduction rapide des émissions de gaz à effet de serre doit passer par le ciblage des grands secteurs d’émissions. D’autres recommandations incluent la création d’une unité Nudge nationale au Québec, l’enseignement à grande échelle des connaissances de l’économie comportementale, la promotion de la transparence et la participation sociale dans l’élaboration de nouveaux nudges.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.004 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.022 | 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".