MétaCan
Menu
Retour à la cohorte
Enregistrement W2790792166 · doi:10.4000/vertigo.18873

Perception paysanne des impacts de la variabilité climatique autour de la station de l'INERA/Kipopo dans la province du Katanga en République Démocratique Congo

2017· article· fr· W2790792166 sur OpenAlexvenueno aff
Kasongo Ngomba Yashele, Blandine Nsombo Mosombo

Notice bibliographique

RevueVertigO · 2017
Typearticle
Languefr
DomaineAgricultural and Biological Sciences
ThématiqueAgroforestry and silvopastoral systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPolitical scienceHumanitiesGeographyForestryArt

Résumé

récupéré en direct d'OpenAlex

Une enquête a été effectuée auprès des paysans de la station de recherche de l’INERA/Kipopo et de ses environs, dans le territoire de Kipushi, province du Katanga, en République démocratique du Congo. L’objectif de cette étude était de recueillir la perception des fermiers sur la variabilité climatique et les stratégies d’adaptation à mettre en place pour faire face aux effets négatifs de celle-ci. L’enquête a été conduite auprès de fermiers chefs de ménages dans 106 fermes agricoles le long des quatre axes d’approvisionnement de la ville de Lubumbashi. L’analyse des résultats révèle que ces derniers sont attentifs aux évènements climatiques ainsi qu’à leurs effets négatifs sur leurs exploitations agricoles. Ils sont conscients des risques que représente la variabilité climatique pour l’agriculture et pour leur survie et recourent à différentes stratégies pour s’adapter aux effets négatifs des changements climatiques. Le manque de moyens financiers rend difficile l’accès aux prévisions météorologiques et à l’information climatique et obligent les fermiers à recourir aux stratégies d’adaptation qui sont simples et peu efficaces. Certains fermiers font encore recours aux moyens traditionnels de prévisions. Ceci met en évidence le caractère vulnérable des fermiers qui, au-delà des moyens financiers limités dont ils disposent, pratiquent encore une agriculture exposée aléas climatiques.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,279
Score d'incertitude au seuil0,986

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,253
Écart entre enseignants0,245 · 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 tête enseignante, 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

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVertigOMême sujetAgroforestry and silvopastoral systemsTravaux en français237 207