MétaCan
Menu
Retour à la cohorte
Enregistrement W2194473724 · doi:10.5539/jas.v8n1p175

Farmers’ Perception and Willingness to Pay for Climate Information in Burkina Faso

2015· article· en· W2194473724 sur OpenAlexfundvenueno aff
Bétéo Zongo, Abdoulaye Diarra, Bruno Barbier, Malicki Zorom, Hamma Yacouba, Thomas Dogot

Notice bibliographique

RevueJournal of Agricultural Science · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Rural Development Research
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésWillingness to payAgricultureClimate changeValue (mathematics)Agricultural scienceBusinessPerceptionAgricultural economicsSocioeconomicsGeographyEconomicsEnvironmental scienceMathematicsPsychology

Résumé

récupéré en direct d'OpenAlex

This study highlights the perception and the option value of climate information in the sahelian and sudano-sahelian agro-climatic zones of Burkina Faso. From the sampled farmers only 21.78% have access to climate information, while 93% of them need climate information to guide through their decision in planning agricultural activities. Option value shows the interest granted by farmers using climate information. About 64% of the farmers are willing to pay an average of Francs CFA 546.34 to obtain climate information. The willingness to pay is determined by the the farmers’ ability to predict the climate, to use radio as a means of information, farmers’ awareness of previous forecasts and early onset of rainy season. While farmers considered benefits from the use of climate information, it is clear that its contribution to farm income remains a field of research to explore. Thus it is necessary to experiment with individual farms and to evaluate the contribution of climate information to the value added in different crops and farmers’ income.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,066

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
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,023
Tête enseignante GPT0,264
Écart entre enseignants0,241 · 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'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

Citations55
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetAgriculture and Rural Development ResearchTravaux en français237 207