Bibliographic record
Abstract
Dans la rue, dans les salles des séminaires et dans Spore, il n’est question que de risque. Comment le calculer, le minimiser ou s’en protéger? Voyez, par exemple, l’article sur les risques des prix des matières premières, dans Spore 98. On y parle aussi de l’analyse de l’impact et de l’évaluation des changements que nos actions pourraient occasionner.\n\nSi vous combinez l’évaluation du risque et l’évaluation de l’impact, vous aurez un outil assez performant pour anticiper le déroulement probable de vos actions et leurs résultats. Il s’agit d’une science complexe, qu’il faut simplifier pour une exploitation par des non-spécialistes dans la gestion des opérations agricoles.\n\nUn démarrage spectaculaire a été fait grâce à l’Outcome Mapping, une adaptation de cette science, proposant une approche originale qui s’écarte de l’évaluation traditionnelle des produits d’un programme, pour se centrer davantage sur les changements de comportement, de relations, d’actions et d’activités dans les populations, groupes et organisations impliqués dans un processus de développement. C’est un véritable outil d’aide à la conception des projets, au suivi de leurs performances et à la planification de leur évaluation.\n\nUne nouvelle compétence, le mappage, émerge dans le monde de la gestion et des réseaux. Comme les cartographes d’antan, vous pouvez ébaucher sommairement votre position initiale, suivre attentivement votre itinéraire et savoir assez sûrement où vous allez.\n\nÀ réserver à vos projets… votre vie, c’est une autre histoire!\n\n\n\nLa cartographie des incidences. Intégrer l’apprentissage et la réflexion dans les programmes de développement\n\nS Earl, F Carden et T Smutylo. CRDI, 2002. 140 pp.\n\nISBN 0 88936 962 3\n\nCAD 25 • 16, 25\n\nCRDI\n\nBP 8500, \n\nOttawa, Ontario\n\nCanada K1G 3H9\n\nE-mail : pubs@idrc.ca\n\nSite Web : www.idrc.ca
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.007 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.739 | 0.720 |
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".