Fonction finance et performance des projets de développement au Cameroun
Tesis Materias > Ciencias Sociales Universidad Internacional Iberoamericana México > Investigación > Tesis Doctorales Cerrado Francés Avec la découverte de l’approche projet, beaucoup de progrès ont été possibles dans le monde en matière de développement. Depuis cet élan de mobilisation, les pays en développement reçoivent des sommes importantes pour financer les différents projets de développement nécessaires à leur croissance. Des signes encourageants sont perceptibles chez plusieurs bénéficiaires de cette aide, notamment en Afrique où l’Organisation de Coopération et de Développement Économiques (OCDE) et la Commission Économique pour l’Afrique (CEA) estiment que l’Afrique subsaharienne reste « la seule grande région où l’aide apporte encore une contribution majeure au revenu national des bénéficiaires » (OCDE, 2005). Au Cameroun, même si l’aide permet depuis 1960 de financer les secteurs stratégiques pour le développement du pays, ses résultats restent plombés par d’innombrables échecs. Les retards d’exécution, la mauvaise qualité des livrables et les styles de management utilisés sont des causes couramment relevées, auxquelles s’ajoutent les fraudes, détournements, et mauvaises dépenses, qui indiquent également la tendance d’une mauvaise gestion financière à impacter significativement sur les résultats de ces projets. Bien que la finance soit connue comme une fonction cruciale pour la gestion de projet, elle reste encore utilisée en tant que fonction support, qui doit juste accompagner la mise en œuvre des activités et n’aurait donc aucun lien avec la performance de ces projets.Ce travail vise à montrer que la fonction finance impacte la performance des projets de développement au Cameroun, et de manière plus significative qu’une simple fonction de support. Ainsi, l’issu de cette étude fixera d’abord la communauté scientifique et les acteurs du développement sur la nature du lien qui existe entre la gestion financière et la performance des projets de développement au Cameroun. Il s’agira ensuite de présenter les innovations structurelles et fonctionnelles enregistrées la fonction finance au fil des années, et qui constituent un allier de poids dans l’atteinte de cette performance. Cette recherche devrait donc permettre de revaloriser le travail des financiers au sein des projets de développement, tout en redynamisant les liens avec les différentes composantes des projets. Idéalement, les gestionnaires et décideurs y verront un moyen d’affiner leurs prises de décision par des sources plus variées et pertinentes d’information. À long terme, les connaissances et les résultats qui seront partagés ici pourront également servir à améliorer la préparation académique des jeunes diplômés ou des acteurs en quête de redéploiement. metadata SALLA NZHIE, Samuel Lovis mail samuel.salla@doctorado.unini.edu.mx (2023) Fonction finance et performance des projets de développement au Cameroun. Doctoral thesis, SIN ESPECIFICAR.
Texto completo no disponible.Resumen
Avec la découverte de l’approche projet, beaucoup de progrès ont été possibles dans le monde en matière de développement. Depuis cet élan de mobilisation, les pays en développement reçoivent des sommes importantes pour financer les différents projets de développement nécessaires à leur croissance. Des signes encourageants sont perceptibles chez plusieurs bénéficiaires de cette aide, notamment en Afrique où l’Organisation de Coopération et de Développement Économiques (OCDE) et la Commission Économique pour l’Afrique (CEA) estiment que l’Afrique subsaharienne reste « la seule grande région où l’aide apporte encore une contribution majeure au revenu national des bénéficiaires » (OCDE, 2005). Au Cameroun, même si l’aide permet depuis 1960 de financer les secteurs stratégiques pour le développement du pays, ses résultats restent plombés par d’innombrables échecs. Les retards d’exécution, la mauvaise qualité des livrables et les styles de management utilisés sont des causes couramment relevées, auxquelles s’ajoutent les fraudes, détournements, et mauvaises dépenses, qui indiquent également la tendance d’une mauvaise gestion financière à impacter significativement sur les résultats de ces projets. Bien que la finance soit connue comme une fonction cruciale pour la gestion de projet, elle reste encore utilisée en tant que fonction support, qui doit juste accompagner la mise en œuvre des activités et n’aurait donc aucun lien avec la performance de ces projets.Ce travail vise à montrer que la fonction finance impacte la performance des projets de développement au Cameroun, et de manière plus significative qu’une simple fonction de support. Ainsi, l’issu de cette étude fixera d’abord la communauté scientifique et les acteurs du développement sur la nature du lien qui existe entre la gestion financière et la performance des projets de développement au Cameroun. Il s’agira ensuite de présenter les innovations structurelles et fonctionnelles enregistrées la fonction finance au fil des années, et qui constituent un allier de poids dans l’atteinte de cette performance. Cette recherche devrait donc permettre de revaloriser le travail des financiers au sein des projets de développement, tout en redynamisant les liens avec les différentes composantes des projets. Idéalement, les gestionnaires et décideurs y verront un moyen d’affiner leurs prises de décision par des sources plus variées et pertinentes d’information. À long terme, les connaissances et les résultats qui seront partagés ici pourront également servir à améliorer la préparation académique des jeunes diplômés ou des acteurs en quête de redéploiement.
| Tipo de Documento: | Tesis (Doctoral) |
|---|---|
| Palabras Clave: | Finance, Projets de développement, Performance, Gouvernance, Valeur acquise, Microsoft Project, Primavera, Cameroun |
| Clasificación temática: | Materias > Ciencias Sociales |
| Divisiones: | Universidad Internacional Iberoamericana México > Investigación > Tesis Doctorales |
| Depositado: | 26 Sep 2023 23:30 |
| Ultima Modificación: | 26 Sep 2023 23:30 |
| URI: | https://repositorio.unini.edu.mx/id/eprint/5319 |
Acciones (logins necesarios)
 |
Ver Objeto |
<a href="/27825/1/s41598-026-39196-x_reference.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Histopathological evaluation is necessary for the diagnosis and grading of prostate cancer, which is still one of the most common cancers in men globally. Traditional evaluation is time-consuming, prone to inter-observer variability, and challenging to scale. The clinical usefulness of current AI systems is limited by the need for comprehensive pixel-level annotations. The objective of this research is to develop and evaluate a large-scale benchmarking study on a weakly supervised deep learning framework that minimizes the need for annotation and ensures interpretability for automated prostate cancer diagnosis and International Society of Urological Pathology (ISUP) grading using whole slide images (WSIs). This study rigorously tested six cutting-edge multiple instance learning (MIL) architectures (CLAM-MB, CLAM-SB, ILRA-MIL, AC-MIL, AMD-MIL, WiKG-MIL), three feature encoders (ResNet50, CTransPath, UNI2), and four patch extraction techniques (varying sizes and overlap) using the PANDA dataset (10,616 WSIs), yielding 72 experimental configurations. The methodology used distributed cloud computing to process over 31 million tissue patches, implementing advanced attention mechanisms to ensure clinical interpretability through Grad-CAM visualizations. The optimum configuration (UNI2 encoder with ILRA-MIL, 256 256 patches, 50% overlap) achieved 78.75% accuracy and 90.12% quadratic weighted kappa (QWK), outperforming traditional methods and approaching expert pathologist-level diagnostic capability. Overlapping smaller patches offered the best balance of spatial resolution and contextual information, while domain-specific foundation models performed noticeably better than generic encoders. This work is the first large-scale, comprehensive comparison of weekly supervised MIL methods for prostate cancer diagnosis and grading. The proposed approach has excellent clinical diagnostic performance, scalability, practical feasibility through cloud computing, and interpretability using visualization tools.
Naveed Anwer Butt mail , Dilawaiz Sarwat mail , Irene Delgado Noya mail irene.delgado@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Nagwan Abdel Samee mail , Imran Ashraf mail ,
Butt
<a href="/27915/1/csbj.0023.pdf" class="ep_document_link"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
This systematic literature review (SLR) investigates the integration of deep learning (DL), vision-language models(VLMs), and multi-agent systems in the analysis of pathology images and automated report generation. The rapidadvancement of whole-slide imaging (WSI) technologies has posed new challenges in pathology, especially due to thescale and complexity of the data. DL techniques in general and convolutional neural networks (CNNs) and transform-ers in particular have significantly enhanced image analysis tasks including segmentation, classification, and detection.However, these models often lack generalizability to generate coherent, clinically relevant text, thus necessitating theintegration of VLMs and large language models (LLMs). This review examines the effectiveness of VLMs and LLMsin bridging the gap between visual data and clinical text, focusing on their potential for automating the generationof pathology reports. Additionally, multi-agent systems, which leverage specialized artificial intelligence (AI) agentsto collaboratively perform diagnostic tasks, are explored for their contributions to improving diagnostic accuracy andscalability. Through a synthesis of recent studies, this review highlights the successes, challenges, and future direc-tions of these AI technologies in pathology diagnostics, offering a comprehensive foundation for the development ofintegrated, AI-driven diagnostic workflows.
Usama Ali mail , Imran Shafi mail , Jamil Ahmad mail , Arlette Zárate Cáceres mail , Thania Chio Montero mail , Hafiz Muhammad Raza ur Rehman mail , Imran Ashraf mail ,
Ali
<a class="ep_document_link" href="/27554/1/s41598-026-37541-8_reference.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
A scalable and secure federated learning authentication scheme for IoT
Secure and scalable authentication remains a fundamental challenge in Internet of Things (IoT) networks due to constrained device resources, dynamic topology, and the absence of centralized trust infrastructures. Conventional password-based and certificate-driven authentication schemes incur high computation, storage, and communication overhead, limiting their suitability for large-scale deployments. To address these limitations, this paper proposes ScLBS, a federated learning (FL)–based self-certified authentication scheme for distributed and sustainable IoT environments. ScLBS integrates self-certified public key cryptography with FL-driven trust adaptation, enabling decentralized public key derivation without reliance on third-party certificate authorities or exposure of private credentials. A zero-knowledge mechanism combined with location-aware authentication strengthens resistance to impersonation, Sybil, and replay attacks. Hierarchical key management supported by a -tree enables efficient group rekeying and preserves forward and backward secrecy under dynamic membership. Formal security verification is conducted under the Dolev–Yao adversary model using ProVerif, confirming secrecy of private and session keys (SKs) and correctness of authentication. Extensive NS-3 simulations and ablation analysis demonstrate that ScLBS achieves lower authentication delay, reduced message overhead, improved network utilization, and decreased energy consumption compared to representative IoT authentication schemes, while maintaining bounded FL overhead. These results indicate that ScLBS provides a balanced trade-off between security strength, scalability, and resource efficiency for constrained IoT networks.
Premkumar Chithaluru mail , B. Veera Jyothi mail , Fahd S. Alharithi mail , Wojciech Ksiazek mail , M. Ramchander mail , Aman Singh mail aman.singh@uneatlantico.es, Ravi Kumar Rachavaram mail ,
Chithaluru
<a class="ep_document_link" href="/27968/1/sensors-26-01516-v2.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Human Activity Recognition in Domestic Settings Based on Optical Techniques and Ensemble Models
Human activity recognition (HAR) is essential in many applications, such as smart homes, assisted living, healthcare monitoring, rehabilitation, physiotherapy, and geriatric care. Conventional methods of HAR use wearable sensors, e.g., acceleration sensors and gyroscopes. However, they are limited by issues such as sensitivity to position, user inconvenience, and potential health risks with long-term use. Optical camera systems that are vision-based provide an alternative that is not intrusive; however, they are susceptible to variations in lighting, intrusions, and privacy issues. The paper uses an optical method of recognizing human domestic activities based on pose estimation and deep learning ensemble models. The skeletal keypoint features proposed in the current methodology are extracted from video data using PoseNet to generate a privacy-preserving representation that captures key motion dynamics without being sensitive to changes in appearance. A total of 30 subjects (15 male and 15 female) were sampled across 2734 activity samples, including nine daily domestic activities. There were six deep learning architectures, namely, the Transformer (Transformer), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Multilayer Perceptron (MLP), One-Dimensional Convolutional Neural Network (1D CNN), and a hybrid Convolutional Neural Network–Long Short-Term Memory (CNN–LSTM) architecture. The results on the hold-out test set show that the CNN–LSTM architecture achieves an accuracy of 98.78% within our experimental setting. Leave-One-Subject-Out cross-validation further confirms robust generalization across unseen individuals, with CNN–LSTM achieving a mean accuracy of 97.21% ± 1.84% across 30 subjects. The results demonstrate that vision-based pose estimation with deep learning is a useful, precise, and non-intrusive approach to HAR in smart healthcare and home automation systems.
Muhammad Amjad Raza mail , Nasir Mehmood mail , Hafeez Ur Rehman Siddiqui mail , Adil Ali Saleem mail , Roberto Marcelo Álvarez mail roberto.alvarez@uneatlantico.es, Yini Airet Miró Vera mail yini.miro@uneatlantico.es, Isabel de la Torre Díez mail ,
Raza
<a class="ep_document_link" href="/26722/1/nutrients-18-00257.pdf"><img class="ep_doc_icon" alt="[img]" src="/style/images/fileicons/text.png" border="0"/></a>
en
open
Background/Objectives: The growing integration of Artificial Intelligence (AI) and chatbots in health professional education offers innovative methods to enhance learning and clinical preparedness. This study aimed to evaluate the educational impact and perceptions in university students of Human Nutrition and Dietetics, regarding the utility, usability, and design of the E+DIEting_Lab chatbot platform when implemented in clinical nutrition training. Methods: The platform was piloted from December 2023 to April 2025 involving 475 students from multiple European universities. While all 475 students completed the initial survey, 305 finished the follow-up evaluation, representing a 36% attrition rate. Participants completed surveys before and after interacting with the chatbots, assessing prior experience, knowledge, skills, and attitudes. Data were analyzed using descriptive statistics and independent samples t-tests to compare pre- and post-intervention perceptions. Results: A total of 475 university students completed the initial survey and 305 the final evaluation. Most university students were females (75.4%), with representation from six languages and diverse institutions. Students reported clear perceived learning gains: 79.7% reported updated practical skills in clinical dietetics and communication were updated, 90% felt that new digital tools improved classroom practice, and 73.9% reported enhanced interpersonal skills. Self-rated competence in using chatbots as learning tools increased significantly, with mean knowledge scores rising from 2.32 to 2.66 and skills from 2.39 to 2.79 on a 0–5 Likert scale (p < 0.001 for both). Perceived effectiveness and usefulness of chatbots as self-learning tools remained positive but showed a small decline after use (effectiveness from 3.63 to 3.42; usefulness from 3.63 to 3.45), suggesting that hands-on experience refined, but did not diminish, students’ overall favorable views of the platform. Conclusions: The implementation and pilot evaluation of the E+DIEting_Lab self-learning virtual patient chatbot platform demonstrate that structured digital simulation tools can significantly improve perceived clinical nutrition competences. These findings support chatbot adoption in dietetics curricula and inform future digital education innovations.
Iñaki Elío Pascual mail inaki.elio@uneatlantico.es, Kilian Tutusaus mail kilian.tutusaus@uneatlantico.es, Imanol Eguren García mail imanol.eguren@uneatlantico.es, Álvaro Lasarte García mail , Arturo Ortega-Mansilla mail arturo.ortega@uneatlantico.es, Thomas Prola mail thomas.prola@uneatlantico.es, Sandra Sumalla Cano mail sandra.sumalla@uneatlantico.es,
Elío Pascual