MétaCan
Menu
Retour à la cohorte
Enregistrement W3128506985 · doi:10.3390/su13031523

Climate Change and Small Farmers’ Vulnerability to Food Insecurity in Cameroon

2021· article· en· W3128506985 sur OpenAlexafffund
Clodine S. Mbuli, Lotsmart Fonjong, Amber J. Fletcher

Notice bibliographique

RevueSustainability · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensUniversity of Regina
Organismes subventionnairesQueen Elizabeth Scholars
Mots-clésFood securityVulnerability (computing)AgricultureClimate changeProductivityAdaptive capacityAgricultural productivityGeographyPovertyPopulationBusinessNatural resource economicsAgricultural economicsEconomic growthEconomicsEcology

Résumé

récupéré en direct d'OpenAlex

There is interconnectedness between small farmers’ productivity, climate change, and the state of food security in Africa south of the Sahara. The neglect of small farmers amidst climate change challenges in the Global South suggests the existence of a vicious circle of low productivity and deprivation that exacerbates the vulnerability of small-scale farmers, who largely depend on rain-fed agriculture to feed their families and nations. The limited adaptive capacity of these farmers in the face of growing instability in rainfall and temperatures is affecting the output, profitability, and survival of these small-scale farmers, whose production is principally for the local market and therefore critical for community food security. The underdeveloped local agricultural sector and limited investment in climate-smart agriculture also affect small farmers’ productivity and ability to meet the food demands of increasing populations. This paper examines the challenges of small-scale farmers in a resource-rich economy, their vulnerability to climate change, and the effects on food insecurity. It is based on an in-depth qualitative case study of 30 residents from the Tiko and Santa areas in the South West and North West regions of Cameroon, respectively. The paper argues that small farmers’ vulnerability to climate-induced agricultural losses increases the risks of food insecurity for the growing Cameroonian population.

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 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 enseignants0,205
Score d'incertitude au seuil0,972

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 savante0,0000,000
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 Opus0,067
Tête enseignante GPT0,270
Écart entre enseignants0,203 · 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

Citations95
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetClimate change impacts on agricultureTravaux en français237 207