Impacts du street marketing sur l’expérience utilisateur des agents de l’État dans les organisations publiques camerounaises en contexte pandémique
Bibliographic record
Abstract
L’article vise à comprendre comment les modèles de communication alternative à l’instar du street marketing, affecte l’expérience utilisateur des agents de l’État en contexte covid-19 à partir du cas camerounais. L’échantillon pilote regroupe une dizaine de responsables publics interrogés dans dix (10) organisations publiques via la technique des entretiens semi-directif. Les résultats issus de l’analyse de contenu manuel et automatisée (via Nvivo 10) soulignent que le street marketing à travers les aspects liés à la distribution des produits et le dialogue public apportent des bénéfices substantiels en termes d’expérience utilisateur dans l’environnement étudié. Dans cette dynamique, l’expérience utilisateur est traduit sous un double angle : à travers l’expérience comportementale d’autre part et conséquences émotionnelles positives d’autres. Dans cette mouvance, la recherche parvient aux enseignements que les manœuvres opérationnelles street marketing opérées dans la sphère publique en contexte Covid-19, impactent le fonctionnement stratégique et organisationnel des structures à travers l’augmentation du levier protection des populations et de renforcement des mesures barrières en contexte Covid-19. De plus, certains aspects managériaux tels que : la participation, la promotion des libertés d’expression, la solidarité et un meilleur fonctionnement des organisations sont des valeurs publiques dévoilées dans ce cadre et qui concourent à l’amélioration de l’efficacité socio sécuritaire des structures publiques en termes de proximité relationnelle entre l’État et les citoyens en matière de santé publique
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 | 0.006 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.007 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 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".