MétaCan
Menu
Retour à la cohorte
Enregistrement W1523410580 · doi:10.17528/cifor/002255

Capturing nested spheres of poverty: a model for multidimensional poverty analysis and monitoring

2007· book· en· W1523410580 sur OpenAlexfundno aff
C. Gonner, Michaela Haug, A. Cahyat, Eva Wollenberg, de Jong W, G. Limberg, P. Cronkleton, M. Moeliono, Mimi Larsen Becker

Notice bibliographique

RevueCenter for International Forestry Research (CIFOR) eBooks · 2007
Typebook
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensnon disponible
Organismes subventionnairesFP7 International CooperationInternational Fund for Agricultural DevelopmentCentre de Coopération Internationale en Recherche Agronomique pour le DéveloppementSveriges LantbruksuniversitetBundesministerium für Wirtschaftliche Zusammenarbeit und EntwicklungEuropean CommissionOverseas Development InstituteInternational Development Research CentreTinker FoundationNature ConservancyInstitut Alam Sekitar dan Pembangunan, Universiti Kebangsaan MalaysiaInternational Tropical Timber OrganizationMargot Marsh Biodiversity FoundationUnited Nations Educational, Scientific and Cultural OrganizationJohn D. and Catherine T. MacArthur Foundation
Mots-clésPovertySPHERESEconomicsEconomic growthPhysics

Résumé

récupéré en direct d'OpenAlex

In this paper the authors discuss recent trends in poverty concepts and suggest a locally adapted multidimensional model for measuring and monitoring poverty. The model comprises nested layers with subjective wellbeing in the centre surrounded by a core of health, wealth and knowledge, and a context that includes natural, economic, social and political spheres, as well as service and structural aspects. These nine facets of poverty cover basic needs, individual assets and capabilities, and the enabling environment that helps people escape poverty by ensuring sustainability, providing opportunities and minimising vulnerability. The model was tested in several monitoring trials and in the official poverty and wellbeing monitoring of Kutai Barat District, Indonesia, in early 2006. Twenty-one subdistricts covering 223 villages with more than 150 000 people were assessed. Examples drawn from this experience illustrate possible applications of the model.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,535
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,126
Tête enseignante GPT0,416
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCenter for International Forestry Research (CIFOR) eBooksMême sujetIncome, Poverty, and InequalityTravaux en français237 207