Understanding access to agrarian knowledge systems: Perspectives from rural Karnataka
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we attempt to unpack the existing landscape of agricultural extension services and delve into questions of access to and localisation of knowledge to understand how these conditions (access and localisation) determine climate change adaptation in agriculture in the southern Indian state of Karnataka. Our empirical findings suggest that the current extension framework reproduces existing inequalities in that access to institutional knowledge and its uptake is linked to one’s social location, that is, caste, gender, class, and geographic location, and information shared is neither timely nor contextually relevant. Employing accessibility and localization as lenses of inquiry, we argue from empirical evidence that smallholder farmers in a rain-fed context are especially vulnerable to the risks posed by climatic change and hence agricultural extension (with climate-informed knowledge) should be to be seen as a critical enabler of adaptation; ensuring accessibility and localisation, we argue, strengthens climate services, and by extension, enables adaptation to climatic risks. The issues that encumber effective extension, we contend, can be mitigated by a re-imagination of agricultural extension, one that privileges public field level functionaries as conduits between state departments and farmers over other modes, and enables structured involvement of community collectives as vehicles to address local needs and ensure access. Drawing on interventions in our study sites, we make a case for promoting knowledge systems that ensure access to climate-specific agricultural information and contextual embeddedness.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 découle