MétaCan
Menu
Back to cohort
Record W4322711556 · doi:10.4000/vertigo.38078

Pourquoi consommer la viande de brousse ? Réponses auprès des populations de Yangambi et de Kisangani, République Démocratique du Congo

2022· article· fr· W4322711556 on OpenAlexvenueno aff
Olivier Igugu, Théodore Trefon

Bibliographic record

VenueVertigO · 2022
Typearticle
Languagefr
FieldAgricultural and Biological Sciences
TopicAfrican Botany and Ecology Studies
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesArt

Abstract

fetched live from OpenAlex

La viande de brousse est un élément capital dans l’alimentation et la culture de populations des forêts tropicales. En dehors des espèces interdites par la coutume, toutes les espèces sont consommées. Dans nos sites d’étude, la consommation de la viande de brousse diminue. La croissance démographique, les techniques de chasse utilisées et la déforestation sont les principales explications de la baisse de ressources fauniques dans le milieu. La forêt de Yangambi, qui était le réservoir de la viande de brousse consommée aussi bien par les habitants de cette cité que par ceux de la ville de Kisangani, devient alors une « forêt vide ». Face à cette rareté et à l’absence d’autres sources de protéines animales, la population est confrontée à des défis alimentaires. Toutefois, la population reste attachée à la consommation de la viande de brousse pour de multiples raisons. Cette étude présente l’analyse de ces raisons, notamment les dimensions socioculturelles. Chaque individu, famille, clan ou tribu a des relations particulières avec la viande de brousse. Cette relation est dynamique, et les motivations du passé ne sont pas nécessairement celles d’aujourd’hui et ne seront probablement pas celles de demain. Selon la perception locale, la viande de brousse est un aliment avant d’être une priorité pour la conservation. Enfin, il s’avère que l’observation des interdits alimentaires, qui ont favorisé la conservation dans le passé, est actuellement de moins en moins respectée.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesScience and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.140
Threshold uncertainty score0.999

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0020.001
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0030.000

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.

Opus teacher head0.031
GPT teacher head0.266
Teacher spread0.236 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2022
Admission routes1
Has abstractyes

Explore more

Same venueVertigOSame topicAfrican Botany and Ecology StudiesFrench-language works237,207