Adoption of improved grains legumes and dryland cereals crop varieties: A synthesis of evidence
Notice bibliographique
Résumé
Like other crop improvement programs, a key prerequisite for the CGIAR Research Program on Grain Legumes and Dryland Cereals (CRP GLDC) to generate large-scale impact is large-scale adoption. Hence, evidencing the breadth and depth of such adoption is both of intrinsic interest and important for estimating downstream impacts, such as improved food and nutritional security, income, resilience, and soil health. While various GLDC adoption studies have been undertaken, a recent effort to systematically review these studies and synthesize the results is lacking. We undertook such a review, identifying 69 studies and 35 independent country crop combinations (CCCs). To generate aggregated and updated estimates of GLDC improved varietal adoption, we devised and applied a procedure to estimate national cropping areas under such varieties and, in turn, the number of adopting households. Estimates derived from household surveys and expert opinion solicitation are treated with higher and lower levels of confidence, respectively. As of 2019, we estimate from higher confidence studies that improved GLDC crops were cultivated on 15.37 million hectares of land by 17.64 million households in CRP GLDC’s 13 priority countries. With the inclusion of lower confidence studies, these numbers increase to 32 and 44.64 million, respectively. We are further confident that the program exceeded its adoption target of 8.9 million newly adopting households from 2011, particularly when likely spillovers vis-à-vis non-surveyed areas, non-priority countries, and non-priority crops in priority countries are considered.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».