La gouvernance du développement durable, mesurer les progrès au sein de la Francophonie
Bibliographic record
Abstract
En 2012, la conférence de Rio+20 portait sur deux enjeux majeurs parmi lesquels figurait (aux cotés de l’économie verte) le cadre institutionnel du développement durable. La communauté internationale devait ainsi déterminer les moyens de renforcer ce cadre institutionnel à la lumière des nouveaux défis planétaires. En guise de contribution, l’Institut de la Francophonie pour le développement durable (IFDD) a développé, en collaboration avec la chaire en Éco-Conseil de l’Université du Québec à Chicoutimi (UQAC), un outil permettant d’apprécier le mode de gouvernance du développement durable (GDD) des États et gouvernements membres de l’OIF : la « fiche de gouvernance du développement durable (FGDD) »1. La FGDD et les huit indicateurs qui lui sont associés permettent de documenter la façon dont les composantes de la gouvernance du développement durable sont opérationnalisées au sein de l’espace francophone, tout en sensibilisant ses membres aux différentes dimensions de cette gouvernance. À l’heure où les Nations Unies doivent adopter de nouveaux objectifs de développement durable et surtout déterminer des moyens de suivre leurs progrès dans cette voie, la FGDD s’avère un outil privilégié que tous les États membres des Nations Unies auraient avantage à s’approprier.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 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".