Questionner la transition de la fécondité en milieu rural africain : les apports d’une démarche longitudinale et institutionnelle
Bibliographic record
Abstract
Située au coeur du bassin arachidier du Sénégal, la zone d’étude de Niakhar est tout à fait représentative des régions rurales sahéliennes caractérisées par le maintien de modèles de fécondité élevée. En effet, les grandes tendances de la fécondité observées grâce au Système de Suivi Démographique de l’IRD font état du maintien des descendances nombreuses (environ huit enfants par femme); elles révèlent par ailleurs une augmentation des naissances et des grossesses avant le premier mariage. Pour comprendre les mécanismes sur lesquels se fondent les comportements de fécondité dans cette région, nous proposons d’explorer la pertinence de l’approche institutionnelle, telle que décrite dans les travaux de Mc Nicoll (1982), Grégory et Piché (1985), Piché et Poirier (1995), ou encore Lesthaeghe (1989). Ainsi, la mise en perspective de l’évolution du système de production agricole, des conditions environnementales et du fonctionnement de l’organisation sociale permet de mettre en lumière le sens que les populations de cette région donnent aux comportements démographiques et, en particulier, aux pratiques relatives à la fécondité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".