Nikinake: the mobilization of labour and skill development in rural Ethiopia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A public mobilization approach known as nikinake drives implementation and technology upscaling in Ethiopia's agricultural extension. This study investigates and describes the processes and effectiveness of nikinake as an extension method used for natural resource management (NRM). The paper draws on empirical field research conducted in Oromia and the southern region of Ethiopia by looking at nikinake in the context of a watershed management campaign in 2015 and 2016. Nikinake is used as an approach to mobilize the public and to promote the skills of farmers and development actors. In principle, the implementation of NRM is voluntary; however, it is largely planned top‐down and enforced through state actors and informal institutions. This study suggests effective integration of social mobilization with reliable extension and a paradigm shift in emphasis from spatial coverage to an effective outcome. Additionally, sustainability and scalability of NRM interventions could be ameliorated by improving experts’ technical skills, raising farmers’ awareness, improving an incentive system, building trust, and better integrating past watershed management and future planning activities. We reflect on the significance of the nikinake experience in Ethiopia for a broader theory of extension‐as‐mobilization for rural development. From the Ethiopian case, a more general recommendation emerges for extension‐as‐mobilization schemes. For long‐term development, it is worthwhile to consider the fit between yearly campaigns as ad hoc project organizations and the existing pattern of actors and institutions responsible for rural development.
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.
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 | 0,000 |
| 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 découle