Comment réduire le gaspillage alimentaire des consommateurs du Québec
Bibliographic record
Abstract
L’enjeu du gaspillage alimentaire suscite une mobilisation mondiale, car il occasionne un gaspillage de ressources tout le long de la chaîne agroalimentaire, ce qui entraîne de graves impacts environnementaux, économiques et sociaux. Malgré l’engouement généré, le Québec tarde à s’engager formellement dans cette lutte, même s’il contribue, autant sinon plus qu’ailleurs, à cette problématique. Il y a pourtant fort à gagner à réduire le gaspillage alimentaire — par exemple, il contribue à atteindre les cibles de réduction de gaz à effet de serre, réduit l’insécurité alimentaire, réduit des pertes économiques importantes —, surtout pour les municipalités qui ont la responsabilité de gérer une grande partie de ce gaspillage, puisqu’il se retrouve en bordure de rue; car, contrairement à ce que peuvent penser les Québécois, ici ce sont les consommateurs qui gaspillent le plus. L’objectif de cet essai est d’outiller les décideurs à faire une campagne provinciale de lutte contre le gaspillage alimentaire des consommateurs. La revue de littérature a permis de cerner les comportements qui causent le gaspillage des consommateurs, les motivations et les obstacles aux changements de comportement. Les recherches scientifiques confirment qu’il faut augmenter l’intention de réduire le gaspillage en modifiant les attitudes et en réduisant les obstacles pour augmenter le sentiment de contrôle face au gaspillage. Les spécialistes du changement de comportements et les expériences d’ailleurs ont mis en évidence les stratégies les plus efficaces pour intervenir. Les conclusions de l’essai démontrent que tous les acteurs de la gestion des matières résiduelles du Québec ont un rôle à jouer. Le Gouvernement du Québec doit donner l’orientation, fixer l’objectif et les actions, fournir des moyens financiers de mise en œuvre et adapter la réglementation. RECYC-QUÉBEC doit soutenir les recherches, mesurer l’enjeu et concevoir une campagne avec deux approches. D’abord, une campagne nationale d’information, de sensibilisation et d’éducation qui rejoint tous les Québécois pour changer les attitudes, motiver à agir, proposer les comportements qu’ils doivent adopter et fournir des solutions aux obstacles. Ensuite, pour réduire les obstacles et augmenter le sentiment de contrôle, RECYC-QUÉBEC doit faciliter et fédérer l’engagement des municipalités et organismes à déployer une campagne locale de marketing sociocommunautaire auprès d’un segment de la population qui pourra, par diffusion sociale, entraîner un changement de comportements graduel dans toute la collectivité. Cette campagne devrait inclure un audit à domicile assorti d’un « défi de réduction », d’un engagement public, de rappels et d’ateliers éducatifs pour faciliter l’adoption de bons comportements. L’ajout d’un incitatif collectif par la municipalité et d’un dissuasif, tel que la tarification incitative, est fortement recommandé. RECYC-QUÉBEC et les municipalités doivent mesurer l’impact et reconnaître les efforts.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 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".