Vers une bonne gouvernance des ressources naturelles dans les sociétés post-conflits : concepts, expériences et leçons des Grands Lacs en Afrique
Bibliographic record
Abstract
Dans ce chapitre introductif, nous dressons un état des lieux des questions de gestion des ressources naturelles dans le contexte post conflit du Burundi et de la RD Congo avec une perspective régionale des grands lacs africains. Ensuite, nous discutons le cercle vicieux entre conflits, dégradation des ressources naturelles et pauvreté et les défis de réhabilitation des ressources naturelles en période post-conflit. La section suivante essaie de définir et circonscrire le concept de post-conflit qui, bien que d’usage courant, pose des problèmes conceptuels et pratiques. D’autres concepts importants tels que la co-gestion, la gouvernance participative et la résilience sont définis dans le contexte de cet ouvrage. Ces définitions permettent alors d’envisager comment renforcer la gouvernance environnementale et de présenter le projet de bonne gouvernance des ressources naturelles collectives dans les sociétés post-conflit (PGRN). Ce projet constitue le soubassement de ce livre. Le cadre conceptuel et l’approche méthodologique du projet sont inspirés par l’apprentissage social adaptif, la recherche action participative et le système d’analyse social. Les incidences et les changements impulsés par le PGRN, les leçons tirées de ce projet et les défis et perspectives d’avenir pour la bonne gouvernance des ressources naturelles, sont ensuite présentés.
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 | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.011 | 0.018 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".