Gendered adaptation of Eritrean dryland farmers
Notice bibliographique
Résumé
Purpose This paper aims to report findings of a study of vulnerability that identified adaptation strategies of male and female farmers in two regions of Eritrea. The country is suffering from food shortage because of climate and non-climate stressors. As such, erratic rainfall, chronic droughts and extreme weather adversely affect crop production. This paper answers the question of how policy instruments and cultural practices, and their interaction, increase or reduce the vulnerabilities of male and female agricultural producers, including producer perceptions of how instruments and culture can be improved. Design/methodology/approach Interviews and focus groups were conducted in the two study regions in Eritrea. Documents and transcripts of the interviews and focus groups were coded by theme and analyzed. Findings Findings revealed that the main rainy season has reduced from four to two months, and the minor rainy season has often failed. As a result, exposure and sensitivity to climate change affects all farmers. These climate change impacts together with Eritrean government policy instruments, including the limited availability, affordability and accessibility of agricultural inputs such as land, fertilizer, seeds, and male labor exacerbate the vulnerability of agricultural producers. Tigrinya farm women are the least able to adapt to extreme weather because of an unequal distribution of resources resulting from cultural, patriarchal views of women which have prevented them from being regarded as equal primary farmers and further limit their access to the resources mentioned. This vulnerability is exacerbated by the prescribed military service of men in their community (which is not prescribed in the matrilineal Kunama community). Producers perceive that addressing this gender inequality and improving government instruments, most importantly getting rid of mandatory military service, will improve adaptation. Practical implications Concrete recommendations made by the community are reported. Originality/value This paper presents important findings from qualitative research conducted in Eritrea.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».