Farmers’ Own Research: Organic Farmers’ Experiments in Austria and Implications for Agricultural Innovation Systems
Notice bibliographique
Résumé
Farmers’ experiments can be defined as the autonomous activities of farmers to try or introduce something new at the farm, and include evaluation of success or failure with farmers’ own methods. Experiments enable farmers to adapt their farms to changing circumstances, build up local knowledge, and have resulted in countless agricultural innovations. Most research on the topic has been conducted in countries of the south. In this paper, however, we present experiments of randomly sampled organic farmers in Austria, and we discuss implications for agricultural innovation systems. In 76 structured questionnaire interviews we investigated topics, motives, methods and outcomes of farmers’ experiments, and factors related to the frequency of experimentation. From the interviewed farmers, 90% reported experiments, and the majority of experiments (94%) involved monitoring and evaluation strategies. Farmers who reported a high frequency of experimentation showed a significantly higher propensity to plan, document and repeat their experiments, and had a more positive attitude towards experimenting than farmers that rarely experimented. We conclude that experimenting is a common activity among organic farmers in Austria, and that farmers have their own methods to conduct and assess their experiments. The most significant outcome is the creation of new knowledge, stressing the importance of experimentation for learning and adaptive farm management. Farmers’ experiments are significant on two levels, i.e. at individual farm level and at the level of agricultural innovation systems. Taking full advantage of this innovative potential requires a better involvement of farmers as co-researchers into the development of agricultural innovations.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».