Bibliographic record
Abstract
Pour emprunter la voie de la croissance économique, les pays développés se sont longuement appuyés sur les revenus de leurs ressources naturelles. C’est notamment le cas de l’Australie (minerais), du Canada (pétrole, minerais) et des Etats-Unis (pétrole) mais également de l’Allemagne, de la France et de l’Angleterre (charbon). Il existe aussi des expériences récentes de pays qui ont assis une partie de leur développement économique sur leurs ressources naturelles. Les exemples de la Norvège (pétrole), du Chili (minerai de cuivre) et du Botswana (diamants) constituent une illustration. Malgré ces cas de réussite, les études empiriques montrent, de manière générale, l’existence d’une relation négative entre la richesse en ressources naturelles et la croissance économique connue sous le nom de « syndrome hollandais ». Généralement, les pays riches en ressources naturelles peinent à garantir une croissance durable de leur PIB contrairement aux autres pays pauvres en ressources naturelles. Disposant d’importants gisements de pétrole, l’Algérie fait-elle partie des pays qui ont basculé dans le syndrome hollandais ? Cette contribution tentera de répondre à cette question, d’identifier, le cas échéant, les conditions ayant présidé l’apparition du phénomène et de proposer des solutions.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".