Analyse et optimisation de la gouvernance des forêts nourricières collectives en milieu public : étude de cas comparés au Saguenay–Lac-Saint-Jean
Bibliographic record
Abstract
Depuis la montée du mouvement de l’agriculture urbaine, les forêts nourricières sont de plus en plus présentes dans les espaces publics. Parfois appelé « jardin forêt », « jardin forestier » ou encore « forêt alimentaire urbaine », il s’agit d’un type de jardin qui s’inspire des écosystèmes forestiers. Les forêts nourricières collectives implantées en milieu public présentent de nombreuses retombées environnementales et sociales, ce qui explique la multiplication de ces aménagements. Cependant, les retombées varient grandement d’un projet à l’autre. Cette recherche s’attarde donc à la gouvernance des forêts nourricières collectives en milieu public afin d’identifier les modalités de gestion qui leur seraient favorables. Trois approches ont guidé la réalisation de cette recherche : l’approche qualitative, qui permet de recueillir la perception et le vécu des acteurs ; l’approche inductive, qui ouvre la voie aux réalités terrain en tant que données éclairantes ; l’approche praxéologique, qui vise un lien cohérent entre la recherche scientifique et la pratique. C’est au moyen d’entrevues semi-dirigées avec des participants impliqués dans la gestion de forêts nourricières implantées au Saguenay–Lac-Saint-Jean que la recherche a été rendue possible. Trois forêts nourricières collectives en milieu public s’appuyant sur des structures organisationnelles différentes ont été sélectionnées, puis comparées afin de faire ressortir leurs forces distinctives et leurs limites. À l’aide de la théorie des parties prenantes, la recherche s’attarde à différents acteurs qui contribuent favorablement à la gestion de ces aménagements. Les comités citoyens, les ressources horticoles et les élus et employés municipaux apparaissent comme des acteurs clés qui facilitent l’atteinte des objectifs.
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 | 0.004 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| 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".