Higher Education and Economic Growth in Africa
Notice bibliographique
Résumé
Enrollment rates for higher education in Sub-Saharan Africa are by far the lowest in the world at 6%. Yet because of conventional beliefs that tertiary education is less important for poverty reduction, the international development community has encouraged African governments’ relative neglect of higher education. This article challenges beliefs that tertiary education has little role in promoting economic growth and alleviating poverty. First, we review recent evidence that higher education can produce significant public and private benefits. Next, we analyze the relationship between tertiary education and economic growth. We find evidence that tertiary education improves technological catch-up and, in doing so, may help to maximize Africa’s potential to achieve more rapid economic growth given current constraints. Investing in tertiary education in Africa may accelerate technological diffusion, which would in turn decrease knowledge gaps and help reduce poverty in the region. We also review new developments and trends in the higher education scene in Africa. Le taux d’inscription dans l’enseignement supérieur en Afrique sub-saharienne est de loin le plus faible du monde, atteignant seulement 6%. Pourtant, parce que l’enseignement supérieur est perçu comme moins important que les enseignements primaire et secondaire pour lutter contre la pauvreté, la communauté internationale a encouragé les gouvernements africains à moins y prêter attention. Cet article conteste l’idée que l’enseignement supérieur joue un rôle peu important dans le développement économique et la lutte contre la pauvreté. Tout d’abord, nous nous intéressons à de récents résultats qui montrent que l’enseignement supérieur crée des bénéfices publics et privés. Ensuite, nous analysons la relation entre l’enseignement supérieur et la croissance économique. Nous montrons que l’enseignement supérieur permet de rattraper le retard technologique et, ce faisant, pourrait aider l’Afrique à maximiser sa capacité à accélérer sa croissance économique dans les conditions actuelles. Investir dans l’enseignement supérieur en Afrique pourrait permettre une diffusion plus rapide des avancées technologiques, qui pourrait à son tour réduire la disparité de savoir et participer à la réduction de la pauvreté dans la région. Nous passons aussi en revue les nouveautés et tendances dans l’enseignement supérieur africain.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».