MétaCan
Menu
Retour à la cohorte
Enregistrement W3080666422 · doi:10.1177/0030727020948967

Confronting genetic gains with markets: Retrospective lessons from New Rice for Africa (NERICA) in Uganda

2020· article· en· W3080666422 sur OpenAlexfundno aff
Kofi Britwum, Eric S. Owusu, Matty Demont

Notice bibliographique

RevueOutlook on Agriculture · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Innovations and Practices
Établissements canadiensnon disponible
Organismes subventionnairesConsortium of International Agricultural Research CentersCanadian International Development AgencyBill and Melinda Gates Foundation
Mots-clésDeveloping countryAgricultural economicsAgroforestryBiotechnologyBiologyEconomic growthBusinessPolitical scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Breeders have two non-exclusive strategic investment options for increasing smallholder farmers’ and consumers’ livelihoods through genetic improvement of crop varieties: (i) enhancing productivity; and (ii) enhancing value and market access. New Rice for Africa (NERICA) varieties with superior agronomic characteristics were bred and introduced in various African countries in the early 2000s. Two decades later, drought tolerant NERICA4 is among the popular upland rice varieties grown across Africa. We analyze market evidence for NERICA4 from Uganda in 2011, i.e. well before it massively reached urban markets, where it is currently commingled with standard rice. We then compare the breeding priorities that would have ensued from the 2011 market evidence with the reality a decade later. Non-hypothetical auction experiments with consumers were conducted in urban Uganda in 2011 to predict potential market share and value of non-fragrant NERICA4 and fragrant NERICA1, relative to two market standards, i.e. non-fragrant Kaiso, and Supa, the most popular fragrant rice variety in the region. Average consumer bids positioned the two NERICAs between both market standards. Whereas NERICA1 easily outcompeted NERICA4 and Kaiso in the non-fragrant rice category, it failed to compete with Supa in the fragrant category. The 2011 market evidence would have suggested breeders prioritize investment in breeding programs for fragrant NERICAs to help smallholders gain access to high-value markets and expand consumers’ choice with cheaper fragrant rice alternatives. However, the popularity of NERICA4 relative to NERICA1 in farmers’ fields seems to suggest that agronomic genetic gains may have outweighed market traits such as fragrance.

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)0,006
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
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 Opus0,049
Tête enseignante GPT0,254
Écart entre enseignants0,205 · 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

Citations17
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOutlook on AgricultureMême sujetAgricultural Innovations and PracticesTravaux en français237 207