Bibliographic record
Abstract
Malgré son importance en tant que source de revenus pour des millions de travailleurs africains, l’exploitation aurifère artisanale ne génère en Afrique que peu de recettes pour les États producteurs. Sont en cause l’informalité du secteur de l’exploitation artisanale minière et à petite échelle (EMAPE) et des mécanismes de financement du secteur fort complexes tout au long de la chaîne d’approvisionnement, ce qui rend très difficile le contrôle du commerce de l’or artisanal et de ses acteurs. Dans cet article, nous nous sommes efforcée d’esquisser l’ampleur des dynamiques du commerce illicite de l’or artisanal en Afrique. En l’absence de statistiques globales fiables sur ce sujet, nous nous proposons ici de brosser un bref portrait de trois pays de l’Afrique de l’Ouest (Mali, Burkina Faso et Côte d’Ivoire), ainsi que de la région des Grands Lacs d’Afrique, en nous appuyant pour cela sur des recherches menées par l’ONG canadienne IMPACT (anciennement Partenariat Afrique Canada). Dans les deux régions africaines précitées, le commerce illicite de l’or s’effectue par contrebande transfrontalière : l’or est d’abord transporté illégalement du pays producteur vers un pays voisin, avant d’être exporté « légalement » comme s’il était issu de ce deuxième pays.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
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.
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".