How can agricultural interventions enhance contribution to food security and SDG 2.1?
Notice bibliographique
Résumé
The Sustainable Development Goals (SDGs), and specifically SDG 2, commit the international community to achieve zero hunger by 2030 through a renewed focus on agricultural development for food security and nutrition. This paper presents a systematic review of published evidence of contributions by agricultural sector interventions to food security, including indicators and success factors. Our literature screening yielded a sample of 66 publications with 73 single or multiple intervention evaluations. Of these, 38 (52%) used a direct food security indicator to measure food security impacts, and the rest used a proxy indicator. Of the 73 evaluations, 49 (67%) resulted in positive impacts on food security, 17 (23%) produced no measurable impacts and 7 (10%) led to negative impacts. Interventions studied included input subsidies, extension services and value chain enhancements, delivered either alone or together, and sometimes with specific complementary pro-poor features. Studies showed positive, neutral or even negative food security outcomes across all intervention types, suggesting that program design features may be more important than the type of intervention in determining impact on food security. Positive food security outcomes were shown to be linked to multiple complementary interventions, targeted pro-poor support features, responsiveness to local food security issues, community engagement and collaboration with local and regional institutions. We suggest methods for improving monitoring, evaluation and learning related to the food security impacts of agriculture sector interventions in order to contribute to SDG 2.1.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».