MétaCan
Menu
Retour à la cohorte
Enregistrement W1552872068 · doi:10.1080/00049182.2015.1058797

Conceptualising the Migration–Food Security Nexus: Lessons from Nepal and Vanuatu

2015· article· en· W1552872068 sur OpenAlexaff
Luke Craven, Hom Gartaula

Notice bibliographique

RevueAustralian Geographer · 2015
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueClimate Change, Adaptation, Migration
Établissements canadiensUniversity of Winnipeg
Organismes subventionnairesUniversity of Sydney
Mots-clésFood securityNexus (standard)AgricultureFood systemsConsumption (sociology)GeographyAgricultural productivityDevelopment economicsEconomic growthEconomicsBusinessEconomyEconomic geographySociologySocial science

Résumé

récupéré en direct d'OpenAlex

In the past decade, international development practitioners have increasingly argued that migration improves the food security of households at origin, by providing the capital necessary for agricultural intensification or food purchase. These debates have occurred largely in isolation from a discussion of the values that underpin food production and consumption in the communities that migrants call home. We question the assumption that a shift from an agricultural-based economy to an economy based on remittances increases the ability of communities to secure access to food in the face of rapid economic and cultural change. In this paper, we present two independently conducted studies from Nepal and Vanuatu that investigate the impact of out-migration on local perceptions of agricultural and residential land and the meaning given to food security. Our data reveal that the value changes associated with large-scale out-migration have the potential to make the agricultural sector at origin more vulnerable, unproductive, unsustainable or unattractive, leaving a longer-term impact on food security. We offer some reflections on the implications of these findings for the structure of the migration–food security nexus.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,079
Score d'incertitude au seuil0,156

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0050,009
Communication savante0,0050,005
Science ouverte0,0010,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,195
Tête enseignante GPT0,358
Écart entre enseignants0,163 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

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

En bref

Citations30
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAustralian GeographerMême sujetClimate Change, Adaptation, MigrationTravaux en français237 207