Processus d’évaluation des incidences de la gouvernance des ressources naturelles par la méthode « matrice d’influence » au Burundi et Sud Kivu.
Bibliographic record
Abstract
Le développement résulte des changements de comportement des gens. La recherche constitue son levier catalyseur. Toutefois, la conceptualisation et la méthodologie d’action restent des défis au cours du processus de transformation de la vie des paysages et des paysans cibles. La question pourrait être donc: quelle est la meilleure approche pour évaluer les projets et les programmes de recherche en Afrique qui permettra de tirer les meilleures leçons apprises des processus interactifs de gouvernance déclenchés au sein des organisations porteuses d’initiatives? La présente étude utilise les outils de la cartographie des incidences « outcome mapping » pour développer les principes d’évaluation des processus de gouvernance multi-acteurs locale sur la base de discussions en focus group, d’interactions avec les experts ainsi que des observations effectuées de mai à juillet 2012 sur les hautes terres du Burundi et du Sud-Kivu en RD-Congo. La démarche a été réalisée dans six sites couvrant deux pays. Il ressort qu’elle permet de cerner les incidences sur la base de variables socio-environnementales ciblées et d’articulations contraignantes perceptibles au cours des initiatives de gouvernance collective des ressources naturelles. Cette démarche pourrait être applicable dans des contextes similaires de gouvernance des ressources naturelles (GRN) dans les tropiques.
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 | 0.041 | 0.076 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.008 | 0.009 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".