Notice bibliographique
Résumé
30 Africa business licensing 62 competition in 24-5, 28-9 ECOWAS (Economic Community of West African States) 134 electricity 72-4, 159 ICT regulatory agencies 113, 122-3, 134 NetTel@Africa programme 133 poverty in 105, 155, 158-9 privatization 72-4, 105, 149 regulation 77, 103, 134 Southern 113, 122-3, 133, 134 telecommunications 122-3, 134 water tariffs 144, 146-8, 149, 158, 159 see also individual countries aid agencies infrastructure projects 80 and policy transfer 55, 60, 74 see also ethical trade Arab countries see Middle East Argentina 20, 36-7, 148, 158, 159 Asia see East Asia; Middle East Australia 105 Bangladesh 159 Bolivia 148-9, 155, 158, 159 BP 28 Brazil 22-3, 36-7 Brown, Julia 8, 146-8 bulk purchasing 26 business set-up licensing 61-3 Canada 105 capacity building, learning framework action learning 129-30 coaching 130 collaborative approach 134 core training 125-7, 128 distance learning 132-3 force field analysis 138 hierarchical analysis 137-8 human resource professional role 113, 135, 136-8 induction 125, 128 learning environment 76, 134-5 mentoring 130-32 ongoing learning and skills development 127-9, 134-5 professional institution membership 133 staff opportunities 132 suitability of 135-6 SWOT analysis 136-7 capacity building, regulatory 4 case studies 113, 122-3 collaborative approach 134 diagnostic models 111-18, 122-3, 136-8 learning framework see capacity building, learning framework and management processes 111, 112, 115-17, 121-3, 128, 131, 132, 135 new approach 111-13 performance management 53, 76, 120, 121, 129, 136 strategic planning model 111-16, 117 toolkit for 124-39 work system design 118-19, 120 capital investment 81 Caribbean 27, 155, 193 Cario, Ledivina 7, 91, 93, 111, 159 cartels 26 CEM (contract electronic manufacturing) 39-40 Central America child labour 95 competition 20, 36-7 electronics sector 20, 37 Index
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,007 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,032 |
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 ».