MétaCan
Menu
Retour à la cohorte
Enregistrement W2919328640 · doi:10.2166/wp.2019.154

Women, irrigation and social norms in Egypt: ‘The more things change, the more they stay the same?’

2019· article· en· W2919328640 sur OpenAlexaff
Dina Najjar, Bipasha Baruah, Aman El Garhi

Notice bibliographique

RevueWater Policy · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésIrrigationGovernment (linguistics)BusinessPolitical scienceSocioeconomicsEconomic growthSociologyEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract This paper explores how women and men participate in irrigation activities in Egypt, drawing from a survey administered to 200 men and 202 women and qualitative information from 150 interviews. Women participated in irrigation activities in 78% of the 402 households surveyed, suggesting that women are far more actively engaged in irrigation efforts in Egypt, and possibly in the wider MENA region, than is generally assumed. The diffusion of certain irrigation technologies such as drip, sprinkler and tatweer in recent years has made irrigation more socially acceptable for women to perform although some women had also been irrigating land long before these technologies became available. We identify land ownership, educational attainment, institutional support from government, donors and NGOs, and access to training in irrigational technologies as factors that enable women to optimally undertake irrigation. These factors enabled women to participate meaningfully in public institutions related to irrigation, such as water user associations (WUAs). Finally, we discovered that desire and ability to participate in WUAs declined dramatically for both women and men when institutional support was withdrawn or eroded. Thus, the paper concludes that we must look at a variety of social categories and relationships to understand women's involvement in irrigation and to identify ways to strengthen it.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,007
Communication savante0,0030,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,011
Tête enseignante GPT0,210
Écart entre enseignants0,199 · 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'étudeQualitatif
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

Citations14
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater PolicyMême sujetWater resources management and optimizationTravaux en français237 207