Démarche d’intégration de l’empreinte écologique dans les stratégies environnementales municipales canadiennes
Bibliographic record
Abstract
L’objectif principal est de cibler l'utilisation exacte de l'empreinte écologique et de déterminer les facteurs qui peuvent faciliter ou entraver son intégration en tant qu’indicateur environnemental dans un contexte municipal canadien, aussi bien du point de vue des utilisateurs que des promoteurs de celle-ci. Pour ce faire, une collecte de données a été effectuée, à la fois pour des données secondaires et primaires issues d’entrevues. À partir de ces informations, une analyse comparative et qualitative basée sur deux études de cas (Calgary et Vancouver) a été réalisée, révélant cinq domaines affectant l'intégration de l'empreinte écologique au sein des stratégies climatiques municipales. De cette analyse, six recommandations clés ont découlé, ciblant les promoteurs de la méthodologie, les utilisateurs de l'indicateur, et les acteurs de la communication et de la sensibilisation. Elles visent à faciliter l’emploi de l’empreinte écologique dans les stratégies climatiques municipales pour accélérer son intégration, à maximiser son utilité et à surmonter les défis identifiés. Plusieurs constats ont pu être tirés à travers cet essai. D’abord, il a mis en évidence le phénomène du carbon vision tunnel dans les villes. Ensuite, des différences significatives ont été notées entre les deux approches, notamment en ce qui concerne la gouvernance du projet, les méthodologies utilisées et la diffusion de la méthodologie par ses utilisateurs. De plus, l'importance de l'adaptabilité de l'empreinte écologique aux particularités locales était essentielle pour améliorer la transmission de la valeur et de la pertinence de cet outil, particulièrement dans le cadre de l'orientation des politiques publiques et de la sensibilisation du grand public. Parmi les principales recommandations proposées, la promotion du partage des données par le Footprint Data Foundation, l’exploration de synergies avec d'autres indicateurs et la création d’un guide de démarrage par le GFN ont été mises de l’avant pour les promoteurs de la méthodologie. Quant aux utilisateurs de l'empreinte écologique, de nombreuses pistes ont été suggérées pour intégrer plus systématiquement les stratégies climatiques dans les politiques municipales et appliquer plus rigoureusement le cycle de mise en oeuvre des indicateurs. Finalement, les acteurs impliqués dans la communication et la sensibilisation sont encouragés à exploiter pleinement l'empreinte écologique comme un outil éducatif et communicationnel afin de motiver les citoyens à prendre des actions concrètes pour réduire leur empreinte écologique à la capacité d’une seule planète.
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 | 0.009 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.008 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.013 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".