MétaCan
Menu
Retour à la cohorte
Enregistrement W1532773388 · doi:10.22004/ag.econ.56180

Operational guidelines for assessing the impact of agricultural research on livelihoods. Good practices from CIMMYT

2007· preprint· en· W1532773388 sur OpenAlexfundno aff
Roberto La Rovere, John Dixon

Notice bibliographique

RevueAgEcon Search (University of Minnesota, USA) · 2007
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Innovations and Practices
Établissements canadiensnon disponible
Organismes subventionnairesInternational Fund for Agricultural DevelopmentConsortium of International Agricultural Research CentersOverseas Development InstituteInternational Development Research CentreWorld Bank GroupDepartment for International DevelopmentInternational Fine Particle Research Institute
Mots-clésLivelihoodAgricultureBusinessEnvironmental planningNatural resource economicsEnvironmental resource managementAgricultural economicsGeographyEnvironmental scienceEconomics

Résumé

récupéré en direct d'OpenAlex

What is IA: definitions, types Background IA quality standards Logic models Priority Setting and Targeting and the link to IA IA for evaluating impacts on poverty/livelihoods How to conduct an IA: steps of the IA framework Clarify the IA! -What is IA? Key aspects -What to assess?-Why do I need an IA? -Is IA good for me? -Who can do an IA with me? -How much do IAs cost?-Who to involve, when, how?How to measure impact: the indicators -Where and how to get the data?How can I build an impact story?How and to whom do I communicate the impact?Institutionalizing IA at your center How do impacts materialize -the impact pathways … a step back: using the IA to reflect and learn IA capacity, elements of training Why, and for whom are these guidelines?What are the risks in doing an IA? ............

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,063
score de la tête « metaresearch » (Gemma)0,168
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Évaluation · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,937
Score d'incertitude au seuil0,335

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0630,168
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0230,019
Études des sciences et des technologies0,0010,004
Communication savante0,0110,006
Science ouverte0,0040,005
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0170,005

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 Opus0,408
Tête enseignante GPT0,467
Écart entre enseignants0,059 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
DomaineÉvaluation
GenreMéthodes

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

En bref

Citations5
Publié2007
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueAgEcon Search (University of Minnesota, USA)Même sujetAgricultural Innovations and PracticesTravaux en français237 207