Évaluation des approches collaboratives en matière de gouvernance de la répartition de l’eau au Canada : leçons provenant de l’Ontario
Bibliographic record
Abstract
Les approches concertées en matière de gouvernance de l’environnement sont devenues monnaie courante dans le monde occidental. Au Canada, toutes les administrations ont recours à diverses formes de collaboration pour aborder les enjeux de l’eau. À quelques exceptions près, les processus collaboratifs permettent de régler, en totalité ou en partie, les problèmes existant dans les zones rurales. C’est pourquoi le secteur agricole est un participant essentiel. C’est certainement le cas en Ontario, en particulier dans les processus de collaboration conçus pour gérer les niveaux d’eau insuffisants et la sécheresse. Cette recherche a pour objectif d’évaluer l’efficacité et la pertinence des approches de collaboration visant à gérer les manques d’eau et les demandes d’eau concurrentes. La Province de l’Ontario a fourni le cadre institutionnel de l’étude. Nous étions particulièrement intéressés par la mesure dans laquelle la collaboration offre une base efficace et appropriée pour le partage de l’eau dans des situations où l’agriculture en est un utilisateur de premier plan. Cela nous a amenés à nous concentrer sur le Programme d’intervention en matière de ressources en eau de l’Ontario. C’est principalement par le biais de ce programme que la province traite les pénuries d’eau et les sécheresses. Le fonctionnement et l’efficacité du programme ont déjà été étudiés dans leur ensemble, mais on n’avait alors que peu ou pas cherché à comprendre la mesure dans laquelle la collaboration avait donné des résultats entérinés par le gouvernement provincial. Il s’agit d’un sujet de préoccupation particulièrement important parce que la Province de l’Ontario, par le biais du ministère de l’Environnement (et de l’Action en matière de changement climatique) de l’Ontario détient le pouvoir ultime de gérer les pénuries d’eau par le biais de son Programme de réglementation des prélèvements d’eau. Des expériences dans le monde entier ont prouvé que le non-respect des résultats des processus collaboratifs compromet leur efficacité et mène à un mécontentement considérable. En outre, la province demeure responsable sur le plan de la légitimité démocratique. Toutes les administrations essaient de résoudre les divergences entre ces deux 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 | 0.015 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 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".