MétaCan
Menu
Back to cohort

Gestion des déchets solides ménagers au Cameroun : limiter les décharges anarchiques à Yaoundé par le tri à la source et la pré-collecte porte-à-porte

2024· article· fr· W4403338090 on OpenAlexaff
Fulbert Francky MONEBENE

Bibliographic record

VenueSciences Eaux & Territoires · 2024
Typearticle
Languagefr
FieldAgricultural and Biological Sciences
TopicAgriculture and Rural Development Research
Canadian institutionsMinistère des Transports
Fundersnot available
KeywordsPolitical scienceHumanitiesPhysicsArt

Abstract

fetched live from OpenAlex

Le Cameroun compte plus de 400 structures agréées pour le traitement des déchets solides, qui parcourent quotidiennement les décharges des milieux urbains, à la recherche des déchets valorisables. Malgré ce nombre important d’acteurs, les décharges sauvages des ordures dans les métropoles camerounaises ne cessent de se créer et de s’agrandir. L’enquête menée auprès des ménages et des sociétés de traitement des déchets en vue de comprendre l’origine de ce phénomène dans la ville de Yaoundé révèle que la multiplication des décharges anarchiques est due principalement aux défaillances dans le système de pré-collecte, mais surtout au fait que les ordures y sont acheminées étant mélangées, ce qui entraine la contamination des déchets recyclables par les matières organiques en décomposition. La contamination des déchets recyclables diminue leur valeur et décourage les structures de traitement de ces déchets, qui se contentent de collecter seulement une partie négligeable des matériaux qui les intéressent. Ainsi, les ordures vont demeurer plus longtemps dans les décharges et vont s’accumuler avec le temps. Un système de tri des déchets à la source et de pré-collecte porte-à-porte permet de préserver les déchets recyclables de la contamination, et d’éradiquer les décharges anarchiques des ordures dans les milieux urbains camerounais.

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)0.003
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Scholarly communication
Consensus categoriesScience and technology studies
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Other design · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.828
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0030.000
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0000.002
Science and technology studies0.0020.004
Scholarly communication0.0020.002
Open science0.0010.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0010.000

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 head0.036
GPT teacher head0.287
Teacher spread0.251 · 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; both teacher heads agree on what is shown here.

Study designOther design
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

Citations3
Published2024
Admission routes1
Has abstractyes

Explore more

Same venueSciences Eaux & TerritoiresSame topicAgriculture and Rural Development ResearchFrench-language works237,207