Biais hypothétique et notion de conséquence : le cas de l’évaluation économique du réseau hydrographique du grand Montréal
Bibliographic record
Abstract
Cette étude utilise une méthode de préférences déclarées afin de donner une valeur économique à l’amélioration de différents attributs des milieux aquatiques du Grand Montréal. L’évaluation porte sur sept attributs liés aux écosystèmes aquatiques des sites étudiés. Il s’agit de la biodiversité, de la qualité de l’eau, du stockage du carbone, des activités récréatives, de la qualité du paysage, de la superficie restaurée et de la sensibilisation et mobilisation des populations locales. L’analyse permet de calculer la valeur monétaire qu’un ménage serait disposé à verser sous forme de don pour chaque unité d’attributs. Ces valeurs marginales sont comprises entre 0.009 $ et plus de 24 $ par ménage et par unité supplémentaire d’attribut. Ainsi, nous arrivons, sous certaines hypothèses, à déterminer les valeurs monétaires que l’ensemble des ménages québécois accordent à l’amélioration de chacun de ces biens et services écosystémiques de la Trame Bleue du Grand Montréal. Le contexte de l’étude nous permet également de contribuer à la recherche sur le biais hypothétique. Nous mettons en œuvre dans le cadre de l’enquête différents traitements qui nous permettent dans un premier temps de mettre en évidence l’existence d’un biais hypothétique positif, et dans un second temps de tester la capacité de la notion de conséquence, appliquée à un contexte hypothétique, à réduire le biais hypothétique. L’enquête de terrain nous permet de corroborer certains résultats de la littérature scientifique obtenus en laboratoire. Le biais hypothétique semble résulter d’un manque de conséquence financière et politique des études d’évaluation, mais aussi des caractéristiques individuelles des répondants. Ces caractéristiques individuelles ont un impact certain sur la manière dont les individus appréhendent les deux dimensions de la notion de conséquence. Ce dernier constat soulève la question de l’opérationnalité de la notion de conséquence pour réduire le biais hypothétique lors d’études d’évaluations économiques de biens environnementaux.
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 | 0.011 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.006 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
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".