MétaCan
Menu
Retour à la cohorte
Enregistrement W2747989362 · doi:10.1002/2016wr020154

Informing water harvesting technology contract design using choice experiments

2017· article· en· W2747989362 sur OpenAlexaff
Solomon Tarfasa, Roy Brouwer, Oleg Sheremet, J. Bouma

Notice bibliographique

RevueWater Resources Research · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesSeventh Framework ProgrammeEuropean Commission
Mots-clésVulnerability (computing)Context (archaeology)Sample (material)Order (exchange)BusinessEnvironmental economicsEconomicsPublic economicsMarketingEnvironmental resource managementComputer scienceGeographyComputer securityFinance

Résumé

récupéré en direct d'OpenAlex

Abstract Introducing water harvesting technology is expected to be more effective and last longer if farm households are involved in their design. The main objective of this study is to inform policymakers in Ethiopia about the most important terms and conditions to incentivize farmers to enter into a contractual agreement to invest in water harvesting on their land. In order to test the influence of the way the specific contractual terms and conditions are communicated to farm households, many of whom are illiterate, a split sample approach is applied with and without visual aids for technical, institutional, and economic contract characteristics. Both samples generate significantly different results, highlighting the importance of how information is conveyed to farm households. This pattern is confirmed when examining the self‐reported importance attached to the various contract characteristics. Equality Constrained Latent Class models show that contract characteristics for which visual aids were developed are considered more attentively, emphasizing the importance of adequate communication tools in a developing country context where literacy rates are limited to increase water technology innovation uptake and reduce farm household vulnerability to droughts.

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)0,050
score de la tête « metaresearch » (Gemma)0,096
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,262

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0500,096
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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 Opus0,446
Tête enseignante GPT0,362
Écart entre enseignants0,085 · 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

Citations13
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetEconomic and Environmental ValuationTravaux en français237 207