Études d’impacts de projets routiers et protection des ressources forestières en milieu de savane africaine : l’exemple du Niger
Bibliographic record
Abstract
Il y a aujourd’hui de plus en plus d’interrogations sur l’efficacité des études d’impact sur l’environnement. Faisant suite à une première recherche qui en avait montré certaines limites, le présent article vise à approfondir la question au moyen d’entrevues avec les experts nationaux investis dans les études d’impacts portant sur des projets routiers au Niger. Un questionnaire a été construit à cet effet autour d’indicateurs de protection des ressources forestières identifiés à travers un processus participatif avec les acteurs nationaux et administré aux experts nationaux. Pour presque tous les thèmes abordés, on constate alors une tendance à l’insatisfaction des cadres de terrain par rapport à la prise en compte des impacts des projets routiers sur les ressources forestières. L’insatisfaction générale est plus grande au niveau des cadres moyens généralement proches du terrain. Par ailleurs, une analyse en composantes principales a permis de regrouper les variables importantes en trois composantes principales : potentiel des ressources forestières en tant que capital productif pour les populations riveraines, conservation de la biodiversité et intégrité des écosystèmes forestiers.
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 | 0.004 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".