Impacts sur la santé des pratiques des agriculteurs urbains à Dakar (Sénégal)
Bibliographic record
Abstract
L’agriculture urbaine (AU) occupe une place importante dans l’économie des pays en voie de développement. À Dakar (Sénégal), elle assure 70 % de la demande en légumes ainsi que la création de milliers d’emplois directs et indirects. Malgré ce rôle économique et social très important, l’agriculture urbaine à Dakar est toutefois confrontée à deux problèmes majeurs : l’insécurité foncière et l’accès à l’eau. Pour faire face à ces contraintes, les producteurs ont recours à des pratiques qui ne sont pas sans conséquence sur l’environnement, leur santé et celle des populations. L’objectif de cette étude est d’analyser les impacts sanitaires de ces pratiques agricoles dans un contexte d’urbanisation continue. Au terme de ce travail, cette recherche révèle que les pratiques agricoles observées dans les Niayes (zone agricole) de Dakar ont d’une part d’énormes impacts sur la santé des agriculteurs et des populations environnantes et d’autre part qu’à moyen terme ces impacts seront accentués par la forte urbanisation de la région. En effet, les pratiques agricoles actuelles dans la gestion de l’eau et l’utilisation des pesticides mises en perspective avec les modifications inhérentes à la forte urbanisation risquent de bouleverser les synergies spatiales existantes dans les systèmes de production en milieu urbain.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".