MétaCan
Menu
Retour à la cohorte
Enregistrement W2485068288 · doi:10.5539/jas.v8n8p21

Rice Farmers’ Attitudes toward Farm Management in Northeatern Thailand

2016· article· en· W2485068288 sur OpenAlexvenueno aff
Panatda Utaranakorn, Kumi Yasunobu

Notice bibliographique

RevueJournal of Agricultural Science · 2016
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueEfficiency Analysis Using DEA
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProduction (economics)BusinessAgricultureGovernment (linguistics)Scale (ratio)Food securityAgricultural economicsAgricultural scienceQuality (philosophy)MarketingEconomicsGeography

Résumé

récupéré en direct d'OpenAlex

Rice production plays a key role for Thailand’s economy and for the food security and cash income of Thai small-scale farmers, especially in the Northeast region where the country’s largest area of rice cultivation is located. To increase rice production, the Thai government has introduced several strategies to support farmers such as new technologies, farm practices, and financial institutions. Achieving these strategies, the responsibility from the government and copperation from farmers are crucial. Specifically, these strategies will be more effective if they coincide with the attitudes of farmers. Accordingly, we aimed to estimate the technical efficiency of rice farms, including pure technical and scale efficiency, and to ultimately understand rice farmers’ attitudes toward farm management by comparing efficient and inefficient farms. Our findings suggested that there was significant requirement to increase technical and scale efficiencies of rice production in the study area. In addition, both efficient and inefficient rice farmers were favorable to farming, open to ideas, and strongly enjoy farm activities, such that they would cooperate with an extension officers when transferring information and/or training programs. Finally, policymaker should focus on both improving the quality of farm production and reducing production costs due to develop and establish new strategies and/or agricultural policies.

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)0,001
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 enseignants0,018
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
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 Opus0,051
Tête enseignante GPT0,340
Écart entre enseignants0,289 · 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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetEfficiency Analysis Using DEATravaux en français237 207