MétaCan
Menu
Retour à la cohorte
Enregistrement W3121373604 · doi:10.20944/preprints201805.0367.v1

Livelihoods on the Edge without a Safety Net: the Case of Smallholder Crop Farming in North-Central Namibia

2018· preprint· en· W3121373604 sur OpenAlexfundno aff
Dian Spear, Angela Chappel

Notice bibliographique

RevuePreprints.org · 2018
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research CentreDepartment for International DevelopmentGovernment of the United Kingdom
Mots-clésLivelihoodAgricultureBusinessClimate changeAgricultural productivityGeographyNatural resource economicsAgroforestryEnvironmental planningAgricultural economicsEconomicsEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Semi-arid Namibia is marginal for agricultural production. Low soil fertility combined with low and variable rainfall restrict the livelihoods of smallholder farmers who often struggle to produce enough food. Although historically communities have adopted a number of coping mechanisms, climate change threatens to further reduce agricultural production. There are many additional options available to smallholder farmers to adapt to climate change, but they are not necessarily adopting these measures despite having noticed increasing temperatures and declining rainfall. Semi-structured interviews were conducted in three villages in Onesi constituency to examine what agricultural practices smallholder crop farmers use, perception of changes in their yields, their perspective on future yields and whether they are planning on changing their agricultural practices. The results suggest that to sustain the livelihoods of rural communities in north-central Namibia support is needed from local and regional authorities, as well as traditional and religious leaders to assist with enhancing access to information, enabling information sharing on adaptation options, and increasing awareness on climate change, it’s impacts and what can be done about it. In addition to this the implementation of adaptation action also requires demonstration sites and building capacity to enable the development of self-help groups.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,033
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,159
Tête enseignante GPT0,320
Écart entre enseignants0,161 · 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.

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

Citations7
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetClimate change impacts on agricultureTravaux en français237 207