No description available.

No description available.

Les Inuit sont de par leur lieu et mode de vie fortement exposés aux pesticides organochlorés notamment au DDT et à son métabolite principal, le DDE. La littérature scientifique rapporte des effets délétères de l’exposition prénatale à ces molécules sur le développement des fonctions cognitives des enfants. Aucune étude ne s’est intéressée aux conséquences de l’exposition in utéro au DDT et au DDE sur le développement des fonctions sensorielles des enfants. Le premier objectif de cette thèse était donc d’évaluer si l’exposition prénatale à ces molécules pouvait être associée aux fonctions visuelles des enfants Inuit. Le DDT et le DDE ont été mesurés dans le cordon ombilical ainsi que dans le sang des enfants à 5 et 11 ans. Les potentiels évoqués visuels des enfants ont été enregistrés à 11 ans. Des analyses de régressions multiples ont révélé une augmentation de l’amplitude de la composante N150 en lien avec les niveaux de DDE mesurés dans le cordon ombilical ainsi qu’une diminution de l’amplitude de la N75 en lien avec les concentrations sériques de DDE mesurées à 5 ans. Ces données suggèrent que l’exposition périnatale au DDE pourrait avoir un impact sur l’intégrité des fonctions visuelles des enfants. La seconde partie de la thèse portait sur les pesticides organophosphorés dont l’usage a remplacé celui des organochlorés dès les années 1970. Différentes études réalisées auprès de populations défavorisées ont montré que l’exposition prénatale à ces molécules pouvait altérer les fonctions cognitives des enfants. Le second objectif du présent travail était donc d’évaluer si l’exposition aux organophosphorés pouvait être associée aux fonctions cognitives d’enfants issus de la population générale en France. Les métabolites communs aux organophosphorés ont été mesurés dans les urines des mamans durant la grossesse (i.e. DAP, DM et DE). Le WISC a été administré aux enfants à 6 ans par une neuropsychologue afin d’obtenir deux indices de développement cognitif, un indice de mémoire de travail et un indice de compréhension verbale. Les analyses de régression multiple réalisées n’ont pas permis de mettre en évidence d’association entre les DAP mesurés dans les urines des mamans durant la grossesse et les fonctions cognitives des enfants. A l’inverse les niveau urinaires de DE ont été associés à de meilleurs scores de compréhension verbale. Ces données suggèrent que certaines populations pourraient être plus vulnérables que d’autres aux propriétés de neurotoxicité développementale des pesticides organophosphorés, notamment les populations issus de milieux défavorisés. Du fait de l’exposition commune aux pesticides organophosphorés il parait important de mieux caractériser les conséquences neuro-développementale de l’exposition prénatale à ces molécules. L’étude de l’intégrité des processus visuels peut parfois permettre de mettre en évidence des altérations neuro-développementales non décelables avec les outils standards d’évaluation neuropsychologique. Le troisième objectif du présent travail était donc d’évaluer si l’exposition prénatale aux pesticides organophosphorés pouvait être associée aux fonctions visuelles des enfants issus de la population générale en France. Des analyses de régression multiple ont permis de mettre en relation les niveaux urinaires de DAP, DM et DE mesurés chez les mamans durant la grossesse et les scores de sensibilité au contraste obtenus chez les enfants à 6 ans à l’aide du Functional Acuity Contrast Test. Bien qu’aucune association significative ne soit mise en évidence chez l’ensemble des sujets, de plus faibles scores sont obtenus chez les garçons en lien avec les niveaux urinaires de DE mesurés durant la grossesse. Ces données suggèrent que l’exposition prénatale aux organophosphorés pourrait influencer le développement des fonctions visuelles des enfants et plus particulièrement des garçons. / Prenatal organochlorine and organophosphate pesticides exposure and children cognitive and sensory function at school age

Mémoire numérisé par la Direction des bibliothèques de l'Université de Montréal.

During the era of New Imperialism, the French state had the daunting task of convincing the French public of the need to support and to sustain an overseas empire. Stemming from its defeat in the Franco-Prussian War and hoping to regain its erstwhile global position, the French state set out to demonstrate the importance of maintaining an empire. Since the vast majority of the French people were apathetic towards colonial ventures, the French state used the 1889 Parisian Universal Exposition and the 1906 and 1922 Colonial Expositions in Marseille not only to educate the French about the economic benefits of the empire, but to entertain them simultaneously so that they unwittingly began to accept the notion of an interconnected Greater France. Each of these expositions contained a group of colonial exhibits in which indigenous colonial subjects, whom the expositions' organizers handpicked to come to France, displayed their daily routines and interacted with the visiting public. Visitors witnessed the lifestyles of indigenous cultures and took away from the exhibits a greater understanding of those who lived in the colonies. However, the vast majority of the French public who visited the expositions did not experience a shift in their mindset favoring the continuance of a colonial empire until after World War One. Until they could personally see an impact of the colonies onto their daily lives, the French public remained indifferent toward the French state's colonial ventures.

No description available.

No description available.

This paper takes a fresh look at the Centennial Exhibition of 1876 and exhibits that interpret it, and suggests new exhibit strategies to re-interpret this complicated moment in American history. / History

Aufgrund der fortschreitenden Prozesse des Bevölkerungswachstums, der Urbanisierung und des Klimawandels sind weltweit erheblich mehr Menschen und Sachwerte Naturgefahren ausgesetzt. Essenziell für eine wirksame Risikoreduktion und ein effektives Katastrophenmanagement sind aktuelle Expositionsmodelle mit detaillierten, räumlich verorteten Informationen über die gebaute Umwelt und deren Vulnerabilität. Diese Daten sind jedoch oft nur unzureichend verfügbar. Gleichzeitig sind die Anforderungen an das Expositionsmodell hinsichtlich des thematischen Informationsgehalts und der räumlichen Auflösung für eine konsistente Vulnerabilitätsbewertung im Kontext multipler Naturgefahren hoch, da i) unterschiedliche Gebäudeattribute die Vulnerabilität gegenüber unterschiedlichen Naturgefahren bedingen, ii) unterschiedliche Naturgefahren auf unterschiedlichen räumlichen Skalen und mit unterschiedlicher räumlicher Variabilität auftreten. Georeferenzierte bildgebende Sensordaten sind heute eine essenzielle Quelle für die automatisierte Gewinnung räumlicher Informationen. Die zunehmende Verfügbarkeit von Datenerfassungsinitiativen (Remote- und In-situ-Sensing) sowie Social Media und die Fortschritte in der künstlichen Intelligenz haben diese Entwicklung stark vorangetrieben. Das übergeordnete Ziel dieser Dissertation ist es, auf der Grundlage heterogener Geobilddaten und aktueller Techniken des Deep Learning (DL) Methoden aufzuzeigen, die eine effiziente, räumlich hoch aufgelöste sowie großflächige multikriterielle Charakterisierung der gebauten Umwelt für die Multirisikoanalyse ermöglichen. Dieses Ziel wird anhand von drei Teilstudien adressiert. Testgebiet ist die erdbebengefährdete Millionenmetropole Santiago de Chile. Die erste Studie untersucht das Potenzial von Convolutional Neural Networks (CNN) und Street-Level-Bilddaten (SLI) für die automatisierte Erfassung vulnerabilitätsrelevanter Gebäudecharakteristika. Der verfolgte Ansatz beinhaltet einen hierarchischen Workflow, um die heterogenen SLI anwendungsorientiert zu akquirieren und strukturieren. Es werden dem Stand der Forschung entsprechende CNN eingesetzt, um i) den Seismischen Gebäudestrukturtyp (SBST), ii) das laterale Last abtragende System (LLRS; Lateral Load Resisting System) und iii) die Gebäudehöhe abzuleiten. Diese Attribute reflektieren die tragende Struktur eines Gebäudes und damit seine Widerstandsfähigkeit gegenüber den durch Naturgefahrenereignisse einwirkenden Kräften. Die experimentellen Ergebnisse zeigen für alle Klassifikationsaufgaben Genauigkeiten jenseits von 𝜅 = 0,81. Dies unterstreicht das Potenzial von SLI und DL für die In-situ-Gebäudedatenerfassung zur großräumigen Bewertung von Naturgefahrenrisiken. Die zweite Studie zielt auf eine synergistische und effiziente multikriterielle Charakterisierung von Gebäuden für die Multihazard-Risikobewertung ab. Deep Multitask Learning (MTL) wird eingesetzt, um diese Anforderung zu erfüllen. Der entwickelte Ansatz verbessert die Prädiktionsgenauigkeit bei multiplen Bildklassifikationsproblemen durch die Berücksichtigung Task-übergreifender Interdependenzen. Ein intermediär überwachtes Hard Parameter Sharing CNN gibt Task-weise prädizierte Interimsklassenwahrscheinlichkeiten aus. Interdependenzen werden dann auf zwei Arten erfasst: i) durch das direkte Anhängen der Klassenwahrscheinlichkeiten an den Bildmerkmalsvektor (Multitask Stacking) und ii) durch deren Weiterleitung an rekurrente neuronale Netze (Gated Recurrent Units), um explizit Interdependenzrepräsentationen zu lernen (Interdependency Representation Learning). Die MTL-Architektur wird für die Klassifikation von Gebäuden nach fünf Zielvariablen angewandt: Höhe, LLRS-Material, SBST, Dachform und Blockposition. Die Klassifikationsgenauigkeiten der neuen MTL-Ansätze übertreffen sowohl Single Task Learning als auch klassisches Hard Parameter Sharing MTL. Bereits hohe initial geschätzte Generalisierungsfähigkeiten, konnten mit akkumulierten Task-spezifischen Residuen von mehr als +6 % 𝜅 deutlich gesteigert werden und erreichten mittlere Task-Genauigkeiten von bis zu 88,43 % Overall accuracy und 84,49 % 𝜅. Hinsichtlich des Trainingszeitaufwands erweisen sich die vorgeschlagenen MTL-Methoden als sehr effizient. Die dritte Studie fokussiert auf das Potenzial der Integration heterogener multimodaler Geobilddaten – SLI, sehr hoch aufgelöste optische Fernerkundungsdaten sowie ein normalisiertes digitales Oberflächenmodell – für die flächenhafte Charakterisierung naturgefahrenexponierter Gebäude. Es wird eine objektbasierte Multi-Input-/Multi-Output-DL-Methodik vorgestellt, die eine multikriterielle Gebäudeklassifikation durch die synergistische Fusion der multisensoralen Daten ermöglicht. Um das Problem partiell fehlender SLI zu adressieren, wird der transformerbasierte SLI Spatial Context Encoder verwendet. Dieser nutzt die räumlichen Korrelationen zwischen physisch-strukturellen Gebäudeattributen, um die semantischen Informationen der vorhandenen SLI flächendeckend zugänglich zu machen. Für die Integration der multimodalen Informationen wird die Task-wise Modality Attention (TMA) Fusion vorgeschlagen. Diese optimiert die Merkmalsrepräsentationen für die einzelnen Inferenz-Tasks separat, nach deren spezifischen Anforderungen. Auf dieser Grundlage wird unter Berücksichtigung der beiden Datensituationen SLI verfügbar und SLI fehlend ein umfassender experimenteller Kreuzvergleich der Generalisierungsfähigkeiten durchgeführt und der Mehrwert der unterschiedlichen Modalitäten, ihrer Kombinationen sowie der TMA-Datenfusionsmethode evaluiert. Die Ergebnisse verdeutlichen den hohen semantischen Mehrwert von SLI sowie der abgeleiteten räumlich-kontextuellen Information für die Erfassung physisch-struktureller Gebäudecharakteristika. Zudem zeigen sie, dass alle Modalitätskombinationen positive Synergien bieten. Dabei erzielt die TMA-Fusion durchweg höhere mittlere Task-Genauigkeiten als die Benchmark-Methoden. Die genauesten Modelle werden für die Ableitung eines räumlich kontinuierlichen Expositionsmodells angewandt. Die vorgestellte Methodik ermöglicht die automatisierte, großräumige Erfassung vulnerabilitätsbedingender Gebäudeattribute mit einzigartiger räumlicher und thematischer Auflösung. Diese Detailtiefe ist entscheidend für eine konsistente Bewertung der Multihazard-Vulnerabilität und damit für ein erfolgreiches Risiko- und Katastrophenmanagement. Die Ergebnisse dieser Dissertation liefern fundierte Einblicke in das Potenzial von multimodalen Geobilddaten und DL zur effizienten Bereitstellung von Expositionsinformationen. / The ongoing processes of population growth, urbanization, and climate change have led to a drastic increase in the number of people and assets exposed to natural hazards worldwide. For effective risk reduction and disaster management, up-to-date exposure models with detailed, spatially localized information on the built environment and its vulnerability are essential. However, such data are often insufficiently available. At the same time, holistic vulnerability assessments across multiple natural hazards place high demands on exposure models in terms of thematic information and spatial resolution, as i) different building attributes may affect vulnerability to different hazards, and ii) natural hazards may differ in spatial scale and exhibit distinct spatial variabilities. Today, geo-referenced imaging sensor data are an essential source for the automated extraction of spatial information. This has been largely driven by the ever-increasing availability of data collection initiatives – both remote and in-situ sensing – along with social media and advancements in data analysis methods, particularly in the field of artificial intelligence. The overarching goal of this dissertation is to demonstrate methods based on heterogeneous geospatial image data and current deep learning (DL) techniques that enable efficient, high spatial resolution, large-scale multicriteria characterization of the built environment for multi-risk analysis. This objective is addressed through three sub-studies, with the test area being the earthquake-prone metropolis of Santiago, Chile. The first study investigates the potential of Convolutional Neural Networks (CNN) and Street-Level Imagery (SLI) for the automated collection of vulnerability-related building characteristics. The approach involves a hierarchical workflow to acquire and structure heterogeneous SLI in an application-oriented manner. State-of-the-art CNN are used to derive: i) the Seismic Building Structural Type (SBST), ii) the Lateral Load Resisting System (LLRS) material, and iii) building height. These attributes reflect a building’s load-bearing structure and, consequently, its resistance to forces exerted by natural hazard events. The experimental results show classification accuracies above 𝜅 = 0.81 for all tasks, underlining the high potential of SLI and DL for in situ building data collection for natural hazard risk assessment at large spatial scales. The second study aims at a synergistic and efficient multi-criteria characterization of buildings for multi-hazard risk assessment. Deep Multitask Learning (MTL) is used to address this challenge. The proposed deep MTL architecture enhances prediction accuracy in multiple image classification tasks by accounting for cross-task interdependencies. These interdependencies are inferred based on task-wise interim class label probability predictions from an intermediately supervised hard parameter sharing CNN: i) by directly stacking label probability sequences to the image feature vector (i.e., multitask stacking), and ii) by passing probability sequences to recurrent neural networks (Gated Reccurent Units) to explicitly learn cross-task interdependency representations (i.e., interdependency representation learning). The MTL architecture is applied to classify buildings according to five target variables: height, LLRS material, SBST, roof shape, and block position. The classification accuracies of the new MTL approaches outperform both single-task learning and classical hard-parameter sharing MTL. Already high initial estimated generalization capabilities can be significantly increased with accumulated task-specific residuals of more than +6 % 𝜅, achieving mean cross-task accuracy values of up to 88.43 % overall accuracy and 84.49 % 𝜅. In terms of training time, the proposed MTL methods also prove very efficient. The third study explores the potential of integrating heterogeneous multimodal geospatial image data – SLI, very high-resolution optical remote sensing data, and a normalized digital surface model – for large-scale characterization of buildings exposed to natural hazards. An object-based multi-Input-/multi-Output DL methodology is presented, enabling the synergistic fusion of multi-sensor data for multi-criteria building classification. To address the issue of partially missing SLI data, the transformer-based SLI Spatial Context Encoder is proposed. This model leverages spatial correlations between physical-structural building attributes to make the semantic information of available SLI widely accessible. Task-wise Modality Attention (TMA) fusion is proposed to integrate the multimodal information. TMA optimizes feature representations for individual inference tasks separately, according to their specific requirements. Considering the two data scenarios – SLI available and SLI missing – a comprehensive experimental cross-comparison of generalization capabilities is conducted to evaluate the added value of the different modalities, their combinations, and TMA fusion. The results emphasize the high semantic value of SLI and the derived spatio-contextual representations for capturing physical-structural building characteristics. Additionally, they demonstrate that all modality combinations offer positive synergies. TMA fusion consistently outperforms benchmark methods. The most accurate models are subsequently applied to derive a spatially continuous exposure model. The presented methodology enables the automated, large-scale collection of vulnerability-related building attributes with an unprecedented combination of spatial and thematic resolution. This level of detail is essential for a consistent assessment of multi-hazard vulnerability and, consequently, for effective risk and disaster management. The results of this dissertation offer indepth insights into the potential of multimodal geoimage data and DL for the efficient provision of exposure information.

Ce travail a consisté à évaluer l’acceptabilité de la prophylaxie pré-exposition (PrEP) pour la prévention du VIH, puis à identifier les facilitateurs et obstacles qui pourraient affecter la mise en place de cette stratégie de prévention chez les hommes ayant des relations sexuelles avec d’autres hommes (HSH) au Bénin. Il en ressort que la PrEP est peu connue des HSH. Toutefois, la quasi totalité des enquêtés, une fois informés par rapport à cette méthode de prévention, était disposée à l’utiliser si elle est rendue disponible. Certains facteurs ont été jugés importants par les HSH à prendre en compte dans le processus de l’implantation de cette stratégie. Le risque de diminution voire de l’abandon de l’utilisation du condom existe. Toutefois, cela ne devra pas entraver la prescription de la PrEP. Les prescripteurs devront accompagner les HSH désireux d’utiliser la PrEP dans la prise de décision concernant les options de prévention (PrEP et/ou préservatif) en accord avec leurs valeurs et leur désir. / We evaluated the acceptability of pre-exposure prophylaxis (PrEP) for HIV prevention and identified the potential facilitators and obstacles that could affect the implementation of this prevention strategy among men who have sex with men (MSM) in Bénin. The results showed that PrEP is not well known to MSM. However, once informed about this prevention tool, almost all surveyed men were willing to use it if made available. Some factors were viewed as important by MSM to be considered in the implementation process. The risk of reducing or even abandoning condom use exists. However, this should not hinder the prescription of PrEP. Prescribers should accompany MSM who wish to use PrEP in making decisions about prevention options (PrEP and / or condom) in accordance with their values and desires