AgriForEst : un jeu pour élaborer des scénarios sur un terroir villageois d’Afrique Centrale
Bibliographic record
Abstract
La modélisation d’accompagnement (ComMod) est une démarche d’appui à la gestion des ressources naturelles qui a émergé en opposition aux approches classiques, dites descendantes. Utilisée par les praticiens du développement pour accompagner les parties-prenantes dans la résolution de conflits, elle est aussi utilisée par les chercheurs pour créer des connaissances sur les objets complexes que sont les systèmes écologiques et sociaux (SES). Cette étude montre comment ComMod a permis de créer un outil de recherche et d’élaboration de scénarios sur le fonctionnement d’un SES de front pionnier en forêt dense à l’est du Cameroun. Durant trois années, un processus ComMod a été engagé avec des agriculteurs et des chasseurs-cueilleurs ; il a abouti à la co-construction du modèle AgriForEst (Agriculture et forêts à l’Est Cameroun) traduit sous forme d’un jeu de rôles et de plateau. L’utilisation du jeu en dehors de son arène de concepteurs a servi de validation du modèle par les acteurs locaux. Nous présentons comment les participants se sont approprié l’outil, et ont ainsi développé leur capacité à projeter les états futurs du système. Nous discutons enfin la signification des résultats obtenus : les connaissances produites sont de nature démonstrative et non explicative. Une session de jeu montre comment les femmes et les hommes changent leurs stratégies, et créent de nouvelles normes en réponse aux changements, changent la forêt et sont changés en retour. AgriForEst montre comment se façonne un paysage. Il faut y jouer ou le voir jouer pour s’en rendre compte.
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".