La dynamique de gouvernance des ressources naturelles collectives au Burundi
Bibliographic record
Abstract
Durant la période de guerre civile au Burundi, l’application des mesures de contrôle et de réglementation environnementales a été lacunaire, conduisant les populations déplacées à surexploiter les ressources naturelles communautaires publiques pour couvrir leurs besoins. Cette étude a été conduite sur les collines Nyarunazi et Munanira de la commune Rutegama et sur les collines Jene, Ndaro, Rorero, Rukere et Manga de la commune Kabarore au cours de la période de juin 2009 à septembre 2011. Il s’agissait de développer des mécanismes participatifs de bonne gouvernance des ressources naturelles collectives dans une perspective d’accroissement durable de la productivité agricole et la réhabilitation des ressources dégradées dans les sociétés d’où émergent les conflits. Des comités de gouvernance des ressources naturelles (CGRN) se sont mis en place dans chacun des sites. L’une des forces de cette nouvelle institution a été l’acquisition du pouvoir de négociation des dividendes issue de la bonne gestion du patrimoine forestier de la commune. Il a ainsi été créé un cadre approprié de concertation et de développement de codes de conduite, de participation au processus décisionnel de gouvernance et de développement d’un leadership féminin, sans oublier l’adoption à grande échelle de plusieurs innovations technologiques.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 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".