Vers une gouvernance collaborative comme levier d’adaptation de la population et son cadre de vie aux changements climatiques. Étude comparée de deux communes au Bénin
Bibliographic record
Abstract
Pendant longtemps, en Afrique, l’État central a seul conçu et conduit les actions de développement au profit des populations. Cela a révélé ses limites. Entre-temps, les Changements Climatiques (CC) sont intervenus, accentuant ces limites. Avec la décentralisation, les collectivités territoriales endossent non seulement le rôle planificateur de l’État, mais elles doivent aussi intégrer les CC dans leur plan et projets de développement. Vu que l’approche utilisée jusque-là pour planifier et conduire les actions de développement et d’adaptation a été limitée, comment ces collectivités nouvellement créées peuvent-elles réussir ? Notre hypothèse est que plus les communautés décentralisées innovent avec des dispositifs de gouvernance (impliquant divers acteurs et paliers décisionnels) mieux, elles réussissent leur planification et projets d’Adaptation aux CC. En se basant sur les dimensions (agents, buts/objectifs, moteurs et processus) des innovations proposées par (Edwards‐Schachter et al., 2012), cet article privilégie une analyse comparée de deux communes (Sô-Ava et Aguégué) au sud du Bénin pour démontrer l’importance de la gouvernance collaborative dans la planification et la mise en oeuvre des projets d’adaptation. Après l’élaboration de leur plan de développement 2016-2022, elles ont initié, avec leurs partenaires, des projets d’adaptation aux CC. La recherche analyse ces deux initiatives.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".