Construction de compromis autour d’une démarche d’accompagnement à la mise en place du plan d’aménagement de la pêcherie de la courbine en Mauritanie
Bibliographic record
Abstract
Cet article explore les mécanismes par lesquels s’élaborent des compromis lors de la mise en œuvre de démarches de modélisation d’accompagnement. L’analyse se base sur l’application de cette démarche dans le cadre de la mise en place du Plan d’Aménagement des Pêcheries de courbine en Mauritanie. La mise au point de ce plan est une procédure réglementaire qui impose la concertation avec les acteurs de la pêche pour la définition de règles de gestion. Le processus de modélisation d’accompagnement a consisté en une série d’ateliers et de temps collectifs visant à co-construire une vision partagée du système de la filière courbine et de sa ressource. Il a impliqué des représentants de l’État, des professionnels (mareyeurs, capitaines-marins, propriétaires de navires) et des scientifiques. Pour analyser la construction de compromis, plusieurs campagnes d’interviews ont été réalisées et les principaux temps collectifs ont été observés et analysés. Les résultats montrent que l’apprentissage, le dévoilement, la modification des modes d’interaction entre participants et les catégorisations sont des mécanismes qui favorisent la constitution de compromis, tout en retenant l’hypothèse que les ateliers de simulation participative sont des moments privilégiés d’évolution des perceptions. L’article analyse également comment l’articulation entre le processus habituel d’élaboration des Plan d’Aménagement des Pêcheries en Mauritanie et la démarche de modélisation d’accompagnement, produit des arènes de dialogue entre décideurs, scientifiques et usagers, qui donnent un gage de qualité au processus de délibération et un levier pour favoriser l’acceptation du plan.
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 | 0.006 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".