Impacts de la Covid-19 sur la santé mentale des entrepreneurs en Afrique
Bibliographic record
Abstract
Les PME constituent un élément moteur de l’activité économique des territoires où elles sont établies. Le bon fonctionnement et la performance des PME dépendent entre autres des capacités mentales et physiques de leur promoteur, les entrepreneurs. L’émergence de la Covid-19 aussi subite qu’imprévue a remis en cause le fonctionnement normal de la plupart des économies à travers le monde. Ce contexte sans précédent se caractérise par des effets sur les individus et dans diverses sphères de la vie économique. Nous nous intéressons dans cette étude à l’impact de la Covid-19 sur la santé mentale des entrepreneurs en Afrique. À cet effet, des données ont été collectées auprès de 158 entrepreneurs exerçant sur ce continent au début de la pandémie. Les analyses réalisées montrent que plusieurs d’entre eux ont fait l’expérience de différents symptômes de détresse psychologique à la suite des conséquences de la pandémie sur leurs entreprises. Les caractéristiques et les ressources personnelles (âge, expérience) ainsi que celles de l’entreprise (stade de développement, taille de l’entreprise) contribuent toutefois à tracer un portrait contrasté de la détresse psychologique chez les entrepreneurs en Afrique.
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 | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".