Mobile Phones and Economic Development in Africa
Notice bibliographique
Résumé
S ub-Saharan Africa has some of the lowest levels of infrastructure investment in the world. Merely 29 percent of roads are paved, barely a quarter of the population has access to electricity, and there are fewer than three landlines available per 100 people (ITU, 2009; World Bank, 2009a). Yet access to and use of mobile telephony in sub-Saharan Africa has increased dramatically over the past decade. There are ten times as many mobile phones as landlines in sub-Saharan Africa (ITU, 2009), and 60 percent of the population has mobile phone coverage. Mobile phone subscriptions increased by 49 percent annually between 2002 and 2007, as compared with 17 percent per year in Europe (ITU, 2008). Mobile telephony has brought new possibilities to the continent. Across urban– rural and rich–poor divides, mobile phones connect individuals to individuals, information, markets, and services. In Mali, residents of Timbuktu can call rela-tives living in the capital city of Bamako—or relatives in France. In Ghana, farmers in Tamale are able to send a text message to learn corn and tomato prices in Accra, over 400 kilometers away. In Niger, day laborers are able to call acquaintances in Benin to fi nd out about job opportunities without making the US$40 trip. In Malawi, those affected by HIV and AIDS can receive text messages daily, reminding them to take their medicines on schedule. Citizens in countries as diverse as Kenya, Nigeria, and Mozambique are able to report violent confrontations via text message to a centralized server that is viewable, in real time, by the entire world.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,002 |
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 ».