Bibliographic record
Abstract
Dans un contexte de pratique croissante des activités de tourisme d’aventure, notamment au Québec (KPMG, 2010 ; Tourisme Québec, 2007), la fréquence des confrontations des touristes avec des situations de précarité et d’engagement physique et psychologique parfois très avancé augmente. Le risque encouru de se retrouver un jour confronté à une situation critique en milieu naturel s’accroit proportionnellement. Pour favoriser la pratique sécuritaire de ces activités, des mesures de gestion des risques peuvent être mises en oeuvre pour anticiper les situations d’urgence et planifier des interventions adaptées. L’objet de cette contribution est de présenter un exemple concret de mesures préventives. Après avoir déterminé les facteurs qui caractérisent la capacité d’un individu à gérer au mieux une situation dans laquelle sa vie est en danger en forêt, un outil, soit le modèle AEPS (Auto-évaluation du potentiel de survie), permet de les quantifier. Le but est de favoriser l’identification des facteurs de risques et des facteurs de survie individuels pour mieux autonomiser les touristes d’aventure et autres adeptes de plein air en révélant les forces et faiblesses de chacun face aux dangers en milieu naturel. L’outil développé permet l’évaluation de la capacité d’un individu à surmonter les dangers hypothétiquement les plus fréquents. Son utilisation repose sur une auto-évaluation diagnostique sous forme d’un questionnaire à compléter.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 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".