Capital social et gouvernance des ressources naturelles collectives au Bushi dans le contexte post-conflit
Bibliographic record
Abstract
Ce chapitre décrit les stratégies efficaces pour renforcer le capital social qui induirait des actions collectives bénéfiques de gouvernance des ressources naturelles, particulièrement dans les agroécosystèmes comme les marais et les collines au Bushi dans un contexte post-conflit. Il met en évidence les résultats d’une recherche-action sur la gouvernance des ressources naturelles dans la région du Sud Kivu. Des enquêtes par questionnaire sur 350 ménages, des focus groups et quelques entrevues ont été réalisés. L’analyse factorielle exploratoire a permis de résumer les données et identifier les dimensions du capital social les plus explicatives tandis que la fiabilité de l’échelle de mesure a été testée par le coefficient Alpha de cronbach. Les résultats de l’étude démontrent que pour renforcer le capital social qui induirait des actions collectives de gouvernance des ressources naturelles dans un contexte post-conflit, il est impérieux de travailler systématiquement dans l’ordre prioritaire suivant : sur les interactions sociales entre les habitants des villages, ensuite sur les rapports entre associations locales sous forme des réseaux de gouvernance des ressources naturelles, puis sur les rapports entre populations et autorités locales et enfin pour une bonne gouvernance des terres et champs des collines au Bushi, il faudrait finalement aussi travailler sur la mise en évidence des normes, sanctions et conventions collectives.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".