Building Resilience through Farmers’ Experiments in Organic Agriculture: Examples from Eastern Austria
Notice bibliographique
Résumé
<p class="StandardTextkrperSAR">Farmers have always lived in changing environments where uncertainty and disturbances are inevitable. Therefore, farmers need the ability to adapt to change in order to be able to maintain their farms. Experimentation is one way for farmers to learn and adapt, and may be a tool to build farm resilience. Farmers’ experiments as defined in this paper are activities where something totally or partially new is introduced at the farm and the feasibility of this introduction is evaluated. The theoretical framework applied to study farmers’ experiments is the concept of resilience. Resilience is the capacity of social-ecological systems to cope with change, and is a framework used to assess complex systems of interactions between humans and ecosystems.</p> <p class="StandardTextkrperSAR">This paper explores to which extent farmers’ experimentation can help build farm resilience. In addition to arguments found in the literature, five organic farms in Eastern Austria are used to illustrate this potential. The farmers were interviewed in 2007 and 2008. The respective farmers all worked fulltime on their farms, were between 34 and 55 years old, and owned farms between 15 and 76 ha. These farmers experimented in ways that enhance resilience – at the farm and in the region. The outcome of experiments can be management changes, new insights, or technology that can be passed on and potentially be built into education and advisory institutions. To encourage farmers’ experiments, it is important to develop conditions that support farmers in their experimenting role.</p>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».