Choix de l’échelle géographique et de la dimension temps : quel impact sur la forme de la structure hiérarchique ? Une investigation de la loi de Zipf sur le cas de la République du Bénin
Bibliographic record
Abstract
L’article propose d’explorer l’impact du choix de l’échelle spatiale ainsi que de la période temporelle sur l’ampleur du coefficient de hiérarchisation issue de la relation rang-taille (ou loi de Zipf). Pour l’exercice, les données des recensements de la population du Bénin sont utilisées afin de définir trois unités géographiques distinctes pour trois années différentes : 1992, 2002 et 2012. Sans permettre une généralisation, les résultats montrent que la structure hiérarchique mesurée par la relation rang-taille est cohérente avec les attentes théoriques lorsque les unités géographiques prennent appui sur une réalité économique (bassins d’emplois), alors que les définitions issues des limites administratives, reflétant des choix politiques, proposent une structure hiérarchique qui n’est pas forcément cohérente avec la loi de Zipf. Le choix de l’année de référence n’influence que marginalement les relations obtenues. Ces résultats suggèrent ainsi que l’application de la loi rang-taille s’applique surtout, du moins pour le Bénin, sur une ségrégation géographique économique plutôt qu’administrative.
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 | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| 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".