Systèmes d'information géographiques participatifs pour l'Afrique : théories, pratiques, et enjeux
Bibliographic record
Abstract
Alors que les systèmes d'information géographique (SIG) jouissent d'une cote importante auprès des décideurs politiques en Afrique, les bailleurs de fonds et les acteurs de développement se posent des questions pratiques sur leur place dans leurs programmes. Ils s'interrogent notamment sur la manière de concevoir et d'évaluer un projet de SIG pour le développement local et territorial, incluant les aspects participatifs de leur mise en oeuvre. C'est cet enjeu d'évaluation des projets de SIG participatif qui a motivé cette étude. A partir d'une revue de littérature, nous faisons ressortir des éléments d'analyse des systèmes d'information géographique participatifs (SIGP) et des systèmes d'information géographique pour la participation publique (SIGPP). Nous rapportons comment les praticiens sont passés des cartes dessinées sur le sol aux SIGP, puis nous analysons, à travers une diversité de cas concrets et formalisés, le lien entre les SIG et la société de manière à identifier les principaux éléments qui font le " P " dans " SIGP " et " SIGPP ". Les cas traitent de la tenure de la terre et gestion des ressources naturelles, de la planification urbaine et la santé publique, de la géo-collaboration et de la participation publique. Puis nous faisons ressortir des théories qui ont été ébauchées, concernant les SIG, SIGP, et SIGPP selon différentes entrées : communication et apprentissage collectif, négociation et médiation, représentations et processus cognitifs, approches ethnographiques, approches critiques et ingénierie des connaissances. Nous introduisons enfin les geomashups qui représentent une évolution naturelle des SIGP et SIGPP. Nous proposons alors des éléments de conception et d'évaluation des projets de SIGP.
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 | 0.031 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.013 |
| Science and technology studies | 0.007 | 0.014 |
| Scholarly communication | 0.022 | 0.025 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".