MétaCan
Menu
Back to cohort
Record W2136680346 · doi:10.4000/vertigo.9221

Développement durable et impacts des politiques publiques de gestion de la vallee du fleuve Sénégal : Du régional au local

2009· article· fr· W2136680346 on OpenAlexvenueno aff
Abdourahmane Mbade Séné

Bibliographic record

VenueVertigO · 2009
Typearticle
Languagefr
FieldSocial Sciences
TopicWater Governance and Infrastructure
Canadian institutionsnot available
Fundersnot available
KeywordsPolitical scienceForestryHumanitiesGeographyArt

Abstract

fetched live from OpenAlex

La première partie de l’étude propose une analyse à l’échelle de l’ensemble du bassin du fleuve Sénégal s’étendant sur quatre pays (Sénégal, Mali, Mauritanie et Guinée-Bissau) et porte sur quatre impératifs du développement durable : institutionnel, économique, social et écologique. À cette échelle d’analyse, nos recherches montrent que les modes de gestion du fleuve présentent beaucoup d’impasses et ne peuvent être considérées comme durables. L’étude montre une opposition entre les institutions chargées de la gestion du fleuve comme l’Organisation pour la mise en valeur du fleuve Sénégal qui centralise les pouvoirs de décision d’une part et les communautés locales qui disposent d’une très faible marge de participation aux processus de prise de décision d’autre part. De même, la construction des grands barrages de Diama et de Manantali entraîne des résultats très controversés : l’amélioration de l’irrigation s’accompagne d’une dégradation des conditions écologiques. La deuxième partie de la recherche porte sur une échelle plus réduite, nationale et locale. L’étude met en exergue l’existence de plusieurs changements résultant essentiellement des effets induits depuis l’échelle supérieure régionale (grands barrages, outils de gestion environnementale, mesures juridiques et conventionnels instaurées par la bureaucratie régionale…). Ces changements, perceptibles sous différentes formes, défendent tous un objectif de durabilité.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.306
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.001
Scholarly communication0.0000.001
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.019
GPT teacher head0.295
Teacher spread0.276 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations8
Published2009
Admission routes1
Has abstractyes

Explore more

Same venueVertigOSame topicWater Governance and InfrastructureFrench-language works237,207