Du diagnostic territorial à l’intention stratégique. Courtage de connaissances et coconstruction. Retour de terrains en pays karstique – les poljés du Canton 10 (Bosnie et Herzégovine)
Bibliographic record
Abstract
Cet article défend l’idée qu’un diagnostic territorial, dans une démarche inductive et compréhensive, permet de développer une approche intégrée et systémique, et ainsi de s’extraire des logiques thématiques (en silo) qui contraignent l’action environnementale. Notre diagnostic du territoire karstique du Canton 10 de Bosnie-et-Herzégovine combine trois cadres d'analyse issus des sciences de gestion et de la géographie : l'analyse stratégique de la gestion environnementale, un diagnostic agraire et des approches paysagères. Nous assumons une intentionnalité environnementale sur et pour le territoire. Avec nos bricolages méthodologiques et notre travail itératif, nous insistons sur (i) l’importance et le caractère remarquable et unique d’un système hydro-géomorphologique, (ii) la nécessité d’enrôler les acteurs agricoles et de comprendre les dynamiques liées au système d’élevages. En effet, notre diagnostic permet de mettre en évidence des dynamiques territoriales cruciales qui sont souvent négligées par les projets environnementaux descendants, telles que la présence d'un pastoralisme extensif, les fortes disparités d'habitat liées aux enjeux démographiques, politiques et historiques du territoire et le développement des énergies dites vertes. Paradoxalement, et à rebours des projets de conservation portés par des fondations internationales qui se concentrent sur un unique poljé (une grande dépression karstique à fond plat) avec une reconnaissance nationale, nous suggérons un levier d’action au niveau du canton avec une reconnaissance internationale. On discute alors de l’importance et des limites de ces bricolages méthodologiques, du courtage de connaissances et de cette posture embarquée.
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 | 0.008 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.006 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".