MétaCan
Menu
Retour à la cohorte
Enregistrement W3109197631 · doi:10.5539/jsd.v14n1p1

Determinants of Livelihood Strategies Among Rubber Smallholders: Case Study in Kedah Malaysia

2020· article· en· W3109197631 sur OpenAlexvenueno aff
Nur Hikmah Zulhaid, Roslina Kamaruddin, Siti Aznor Ahmad

Notice bibliographique

RevueJournal of Sustainable Development · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueIslamic Finance and Banking Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLivelihoodMultinomial logistic regressionDescriptive statisticsAgricultureBusinessGovernment (linguistics)SocioeconomicsEconomicsGeographyStatistics

Résumé

récupéré en direct d'OpenAlex

This study analyzes the determinants of alternative strategies undertaken by rubber smallholders in the state of Kedah. This study used primary data obtained through a survey of 343 smallholders using structured questionnaires in four districts. The information collected covers the demographic profiles and components of livelihood assets. Data were analyzed using one-way ANOVA and Chi-Square descriptive tests while inferential statistics were analyzed using Multinomial logit to identify determinants of strategy selection. The results showed that a majority of 44.9 percent of rubber smallholders opted for rubber and other agricultural activities while only 9.6 percent choose to use a combination of rubber and non-agricultural activities as their alternative strategies. The size of family dependence, duration of experience in agriculture, household income, technology, land size, assistance sources, gender, information sources, involvement in social associations and societies and money savings are all factors that contribute to the selection of smallholder alternative strategies. It is hoped that the government can focus on smallholder awareness measures in an effort to increase their involvement in alternative activities. Agricultural and non-agricultural activities are seen to improve the adaptive capacity of smallholders and thus increase their income.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,367
Score d'incertitude au seuil0,681

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,020
Tête enseignante GPT0,236
Écart entre enseignants0,216 · 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

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Sustainable DevelopmentMême sujetIslamic Finance and Banking StudiesTravaux en français237 207