Corpus de référentiels d’aide à la décision pour la résilience de la production vivrière aux risques climatiques dans la région Maritime au Togo
Bibliographic record
Abstract
La résilience des secteurs économiques face aux risques et mutations climatiques constitue un enjeu majeur de développement en Afrique de l’Ouest. Une information scientifique robuste est essentielle pour formuler et mettre en œuvre des stratégies de résilience efficientes et performantes. Pour l’Afrique de l’Ouest, et singulièrement pour le secteur agricole, rendre disponible une telle information est l’un des défis scientifiques majeurs dans l’élaboration des stratégies de résilience. Au Togo, l’agriculture est l’un des secteurs économiques particulièrement concernés par les questions d’amélioration de la résilience face aux risques climatiques et de catastrophes. À défaut, le développement de ce secteur pourrait être lourdement handicapé par les changements climatiques qui vont altérer les régimes des précipitations et accroître la fréquence et l’intensité des événements climatiques extrêmes. Cet article propose un corpus de référentiels d’aide à la décision pour une amélioration de la gouvernance et des processus de résilience du secteur vivrier dans la région Maritime du Togo. Les référentiels reportés se fondent sur le modèle « ClimProspect » qui est basé sur la méthode du jugement d’expert et couplé avec l’approche participative. Cette dernière a consisté en une collecte de données qualitative au moyen de groupes de villageois. Les résultats ont permis d’identifier des référentiels d’impacts, de vulnérabilités (V1, V2, V3 et V4), de suivi de la vulnérabilité et des chemins de résilience, capables de promouvoir, des espaces de concertation des acteurs intervenant dans la production agricole pour définir et mettre en œuvre des chemins innovants de résilience de ce secteur de développement.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 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".