MétaCan
Menu
Retour à la cohorte
Enregistrement W2188724002

Impact of Self-help Groups on Rural Women in Jammu District

2013· article· en· W2188724002 sur OpenAlexaboutno aff
Poonam Parihar, Rakesh Nanda, S. K. Kher, Niaz Ahmed, Sukhvir Singh

Notice bibliographique

RevueINTERNATIONAL JOURNAL OF COMMERCE AND BUSINESS MANAGEMENT · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMicrofinance and Financial Inclusion
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMicrofinancePovertyEconomic growthQuarter (Canadian coin)SocioeconomicsSelf-helpIndependence (probability theory)Rural districtBusinessSociologyGeographyEconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Microfinance has evolved over the past quarter century across India into various operating forms and to a varying degree of success. One such form of microfinance has been the development of the self help movement. SHG is a group of rural poor who have volunteered to organize themselves into a group for eradication of poverty of the members. SHG is a group formed by the community women, which has specific number of members like 15 to 20. In such a group the poorest women would come together for emergency, disaster, social reasons, economic support to each other have ease of conversation, social interaction and economic interactions. This study on Impact of Self Help Groups on rural women was conducted to study the formation mechanism of Self Help Groups and to measure the impact of SHGs on rural women in means of decision making. The study consists of 250 women members of SHGs and 250 non- SHG women members as selected respondents. The findings indicate that highest majority of women participated in SHGs for economic independence, income-generation activities and social contacts. The impact of decision making on SHG members were found significantly higher than non- SHG members in Household Expenditure, Education of Children, Marriage of Children, Marketing and Social Customs in the home.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,210
Score d'incertitude au seuil0,393

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,012
Tête enseignante GPT0,237
Écart entre enseignants0,224 · 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

Citations1
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueINTERNATIONAL JOURNAL OF COMMERCE AND BUSINESS MANAGEMENTMême sujetMicrofinance and Financial InclusionTravaux en français237 207