Connaissance et incertitudes en gestion des infrastructures civiles : un point de vue décisionnelLe présent ouvrage fait partie d’une série d’articles publiés dans ce numéro spécial consacré au génie hydrotechnique.
Bibliographic record
Abstract
Sur la base d’une caractérisation de la pertinence, du niveau et du type d’incertitude, un gestionnaire peut savoir quels sont les outils les mieux adaptés pour gérer les conséquences du vieillissement d’une infrastructure sur son niveau de service. En présence d’une incertitude élevée, le gestionnaire doit disposer d’un processus de décision formalisé qui lui permet de protéger ses ressources globales. Le coût du traitement et des conséquences potentielles des risques associés à ces ressources constitue un passif à considérer comme une « provision pour risques ». Pour communiquer auprès des financeurs, cette provision peut être combinée avec la valeur résiduelle du système pour déterminer un indicateur de patrimoine. Enfin, pour suivre l’évolution de son système d’infrastructure, le gestionnaire peut utiliser la notion de turbulence issue d’une combinaison entre l’indicateur de patrimoine et la valeur actuelle nette des plans d’actions de maintenance. Cet indicateur de turbulence permet de surveiller l’équilibre entre l’efficacité économique des plans d’actions et la durabilité du patrimoine. La maîtrise de cet équilibre et de son incertain sont deux éléments essentiels du développement durable de nos infrastructures.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: no | Theoretical or conceptual | low |
| gpt | Insufficient payload (model declined to judge) Domain: not available · Genre: Other About the Canadian research system: no · About a Canadian topic: no | Not applicable | high |
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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, unvalidatedLabeled directly by 2 models reading the full record.
The models disagree on parts of this classification; every voice is preserved in the section at the end of the page.
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".