Quels sont les impacts des réseaux sociaux sur les milieux naturels? Le cas de la rivière Bonaventure
Bibliographic record
Abstract
De nos jours, pour plusieurs, le téléphone cellulaire est devenu comme une extension de soi, constamment attaché à leur corps. Il paraît omniprésent même lors des expériences en nature, car, certains se sentent forcés de publier des photos de leur expérience sur les réseaux sociaux. À travers les publications, ils risquent de contribuer à l’achalandage et de favoriser une perspective utilitaire des milieux naturels. Et il semble que c’est le cas pour la rivière Bonaventure. Cela soulève la question, quel est l’impact des réseaux sociaux sur les milieux naturels et plus particulièrement, sur la rivière Bonaventure? Les publications géolocalisées sur l’ensemble de la rivière auraient un indice de corrélation de 0,42 par rapport au nombre de visites. De plus, à travers l’analyse de plus de 1500 photos géolocalisées à différents endroits sur la rivière Bonaventure, la perspective utilitaire de la nature est mise de l’avant dans 96 % des cas. Bien qu’il soit difficile de toujours démontrer l’impact des réseaux sociaux sur des milieux naturels comme celui de la rivière Bonaventure, certaines observations prouvent leur impact. Pour certains milieux naturels, les réseaux sociaux sont responsables de problèmes environnementaux tels que la fragmentation, la perte d’habitat, la dénaturalisation, la production de déchets et le vandalisme pollueur. Socialement, l’achalandage et la perception véhiculée risquent d’amplifier des enjeux de sécurité, réduire l’accès à la population locale, générer de la pollution sonore, et même causer des troubles psychologiques comme le phénomène appelé syndrome de Paris. À l’inverse, les médias sociaux peuvent avoir des impacts positifs, comme pousser les gens à passer du temps en nature, ce qui développe leur intérêt pour la cause environnementale et améliore leur santé physique et mentale en contrant le déficit nature. Finalement, ils représentent une opportunité de récolter des données par la science citoyenne et génèrent des revenus additionnels au sein de l’économie locale. Pour limiter les impacts négatifs, les administrateurs et administratrices peuvent adapter leur gestion selon les connaissances qu’ils acquerront sur le milieu afin de réduire la pression du tourisme sur la rivière. Similairement, l’aménagement et la communication de leurs activités peuvent diminuer l’impact ressenti sur l’écosystème. Les décideurs et décideuses publics ont aussi la capacité de protéger la rivière par leur pouvoir légal. Finalement, plus simplement, les individus peuvent réfléchir avant de partager des publications et respecter les principes d’écotourisme. Bref, sans être criante pour le moment, la situation de la rivière Bonaventure représente un bon exemple québécois des risques que peuvent causer les réseaux sociaux sur un milieu naturel. Il est important d’intervenir maintenant avant qu’il soit trop tard pour la rivière Bonaventure, mais aussi pour l’ensemble des milieux naturels québécois.
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 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.004 |
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".