Using a mixed method approach to discuss the intersectionalities of class, education, and gender in natural disasters for rural vulnerable communities in Pakistan
Notice bibliographique
Résumé
During the floods of 2014, Pakistan lost 267 human lives. 2.5 million people were displaced, 129,880 houses were fully or partially destroyed, and over 1 million acres of cropland and 250,000 farmers were affected, which resulted in the loss of cash crops and standing food. Using Intersectionality Theory, the current study examines the effects of income, education, land ownership, land type, disaster type, gender, and disability on the loss of agricultural crops, controlling for respondents’ age. Secondary data was used for this study from a 2012 baseline survey of disaster risk reduction, conducted by a nongovernment organization in District Muzaffargarh, Punjab, Pakistan. Logistic regression was used to analyze the data. Results indicated that education of household head, high income, and land ownership decreased the likelihood of losing agricultural crops, whereas floods, women-headed households, and disabled family members increased the likelihood of losing agricultural crops. Keywords: intersectionality; natural disasters; rural vulnerable communities Resume Durant les inondations de 2014, le Pakistan a perdu 267 vies humaines. 2.5 millions de personnes furent deplacees, 129 880 maisons furent totalement ou partiellement detruites, et plus d'un million d'acre de terres cultivees et 250 000 fermiers furent affectes, ce qui a entraine la perte des cultures commerciales et des disponibilites alimentaires. En utilisant la theorie de l'intersectionnalite, la presente etude examine les effets du revenu, de l'education, de la propriete fonciere, du type de sol, du type de catastrophe, le genre, et l'incapacite qui a suivi la perte des terres agricoles, en considerant l'âge des repondants. Des donnees secondaires ont ete utilisees pour cette etude, comme base de reference de reduction des risques de catastrophe, et conduites par une organisation non gouvernementale dans le district de Muzaffargarh, au Pendjab, au Pakistan. La regression logistique a ete utilisee pour analyser les donnees. Les resultats ont indique que l'education du chef de famille, un haut revenu, et une propriete fonciere diminuaient la probabilite de perdre des terres agricoles, tandis que les inondations, les femmes chef de famille, et des membres de famille invalides augmentaient la probabilite de perdre des terres cultivables.
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 | 0,003 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».