Adoption des BASI-coins en Afrique. Une analyse SWOT
Bibliographic record
Abstract
L’objectif de cet article est d’analyser les forces, les faiblesses, les opportunités et les menaces des monnaies numériques décentralisées en Afrique, une région qui sert d’incubateur pour les innovations dans le secteur de la finance décentralisée, mais qui sur ces mêmes questions, demeure relativement en marge du champ de la recherche académique. En plus de dresser un panorama assez complet de l’état actuel du marché des cryptomonnaies (notamment en ce qui concerne les catégories et les technologies sous-jacentes), cet article s’appuie sur une analyse SWOT qui permet de dégager des enseignements et des perspectives de long terme, tout en respectant la diversité des préoccupations locales et internationales. Il en ressort que la popularité des BASI-coins s’est bâtie sur une triple illusion : celle de la désintermédiation, celle de la sécurité et celle de l’indépendance : les mineurs sont incontournables et les oligopoles se reconstituent dans la cryptosphère qui, de ce point de vue, ne diffère pas de la finance traditionnelle. En outre, même si le cadre macro-financier des pays africains semble de facto se prêter à l’adoption des cryptomonnaies et que cette dernière offre des opportunités en termes d’inclusion et d’innovation dans la sphère financière, un usage efficient des monnaies numériques nécessite de relever plusieurs défis ; tant sur les plans infrastructurel (accès à l’électricité/Internet) et technologique qu’institutionnel. Par ailleurs, les BASI-coins pourraient faire concurrence aux (futurs) monnaies numériques souveraines (Govcoins) et leur adoption généralisée pourrait déstabiliser les systèmes financiers en raison d’une pression sur les réserves de change.
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 | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".