MétaCan
Menu
Retour à la cohorte
Enregistrement W3142545889 · doi:10.6000/1929-7092.2013.02.14

Improving Agricultural Productivity and Market Efficiency in Latin America and the Caribbean: How ICTs can make a Difference?

2013· article· en· W3142545889 sur OpenAlexvenueno aff
Aparajita Goyal, Carolina González-Velosa

Notice bibliographique

RevueJournal of Reviews on Global Economics · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueICT Impact and Policies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésICTSLatin AmericansProductivityAgricultureAgricultural economicsBusinessAgricultural productivityEconomicsNatural resource economicsEconomic growthInformation and Communications TechnologyGeographyPolitical scienceArchaeology

Résumé

récupéré en direct d'OpenAlex

Abstract: The rapid dissemination of ICTs in rural areas in LAC has been received with a lot of optimism, as these technologies are thought to be potentially effective tools of agricultural development. However, rigorous analyses of the impacts of ICTs on agriculture are still very scarce and lag behind the rapid penetration of these technologies. This paper is the first attempt to summarize recent findings from some of the few academic studies addressing this topic and complementing this analysis with anecdotal evidence and findings from case studies. Overall, the available evidence indicates that ICTs can play a major role in promoting agricultural productivity and rural development in LAC. By closing information gaps and reducing transaction costs, ICTs can improve the opportunities of farmers in agricultural markets and empower smallholders. ICTs can also foster productivity by facilitating the dissemination of technological knowledge and expand the access to financial and public services among the rural population by making service provision more affordable. Nonetheless, to the extent that the effective provision of ICTs has certain minimum requirements in terms of human and physical capital, many agricultural economies will be unable to reap the full benefits of these technologies.

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)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,959
Score d'incertitude au seuil0,314

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,008
Tête enseignante GPT0,198
Écart entre enseignants0,189 · 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

Citations20
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Reviews on Global EconomicsMême sujetICT Impact and PoliciesTravaux en français237 207