MétaCan
Menu
Retour à la cohorte
Enregistrement W1853718316 · doi:10.26522/ssj.v3i1.1026

The Work of Hunger: Security, Development and Food-for-Work in Post-crisis Jakarta

2009· article· en· W1853718316 sur OpenAlexaffvenue
Jamey Essex

Notice bibliographique

RevueStudies in Social Justice · 2009
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture, Land Use, Rural Development
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésPovertyFood securityWork (physics)GeopoliticsContext (archaeology)PoliticsEconomic growthIdeologyPolitical scienceDevelopment economicsEconomicsAgriculture

Résumé

récupéré en direct d'OpenAlex

Food-for-work programs distribute food aid to recipients in exchange for labor, and are an important mode of aid delivery for both public and private aid providers. While debate continues as to whether food-for-work programs are socially just and economically sensible, governments, international institutions, and NGOs continue to tout them as a flexible and cost-effective way to deliver targeted aid and promote community development. This paper critiques the underlying logic of food-for-work, focusing on how this approach to food aid and food security promote labor force participation by leveraging hunger against poverty, and how the ideological and practical assumptions of food-for-work become enmeshed within discourses of geopolitical security. I rely on a case study examination of US-funded food-for-work programs implemented in Jakarta, Indonesia following the 1997 financial crisis. The crisis produced acute food insecurity and poverty in Indonesia, provoking fears of mob violence by the hungry poor and the spread of radical Islamism in the post-crisis political vacuum. Food-for-work programs were, in this context, meant to resolve the problems of both food insecurity and geopolitical insecurity by providing food to targeted populations, employment to those otherwise thrown out of work, and resituating the hungry poor in relation to broader scales of local, national, and global power.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,853
Score d'incertitude au seuil0,396

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,035
Tête enseignante GPT0,284
Écart entre enseignants0,249 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations9
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueStudies in Social JusticeMême sujetAgriculture, Land Use, Rural DevelopmentTravaux en français237 207