Systèmes d'information géographiques participatifs pour l'Afrique : théories, pratiques, et enjeux
Notice bibliographique
Résumé
Alors que les systèmes d'information géographique (SIG) jouissent d'une cote importante auprès des décideurs politiques en Afrique, les bailleurs de fonds et les acteurs de développement se posent des questions pratiques sur leur place dans leurs programmes. Ils s'interrogent notamment sur la manière de concevoir et d'évaluer un projet de SIG pour le développement local et territorial, incluant les aspects participatifs de leur mise en oeuvre. C'est cet enjeu d'évaluation des projets de SIG participatif qui a motivé cette étude. A partir d'une revue de littérature, nous faisons ressortir des éléments d'analyse des systèmes d'information géographique participatifs (SIGP) et des systèmes d'information géographique pour la participation publique (SIGPP). Nous rapportons comment les praticiens sont passés des cartes dessinées sur le sol aux SIGP, puis nous analysons, à travers une diversité de cas concrets et formalisés, le lien entre les SIG et la société de manière à identifier les principaux éléments qui font le " P " dans " SIGP " et " SIGPP ". Les cas traitent de la tenure de la terre et gestion des ressources naturelles, de la planification urbaine et la santé publique, de la géo-collaboration et de la participation publique. Puis nous faisons ressortir des théories qui ont été ébauchées, concernant les SIG, SIGP, et SIGPP selon différentes entrées : communication et apprentissage collectif, négociation et médiation, représentations et processus cognitifs, approches ethnographiques, approches critiques et ingénierie des connaissances. Nous introduisons enfin les geomashups qui représentent une évolution naturelle des SIGP et SIGPP. Nous proposons alors des éléments de conception et d'évaluation des projets de SIGP.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».