Closing Gender Gaps in Climate-Smart Agriculture through Strengthening Women Rice Seed Farmer’s Capacities and Access to Quality Stress-tolerant Seed in Benin
Notice bibliographique
Résumé
Climate change and stress conditions (drought; submergence, salinity, iron toxicity, and cold) disproportionately affect the poorest and most disadvantaged rice farmers, forcing them deeper into poverty. Recent advances in genetics and breeding enable the development of rice varieties tolerant of these abiotic stresses and their cultivation can substantially contribute to poverty alleviation in unfavourable environments and for poor rice consumers globally. Through the program Stress-Tolerant Rice for Africa and South Asia (STRASA), fourteen new stress-tolerant varieties were released, produced and distributed in Sub-Saharan Africa to reach millions of poor farmers. However, ignoring women’s contributions to agriculture and particular in seed production and failing to design strategies to reach them with new varieties miss significant opportunities to reduce poverty. This study investigates on gender issues in rice seed production in Benin through a gender analysis of the division of labour, access and control of resources, livelihood, and constraints and opportunities faced. Both qualitative and quantitative data were collected with 29 women and 29 men seeds producers using both the Harvard Analytical and the Sustainable Livelihoods Frameworks. Data showed that women are central in rice seed production; but are marginalized in their access and control of resources. Given to women resources property rights as well as improving their control on resources will help them to be more performant as seed producers. These areas for action are important in designing and implementing activities in gender-responsive ways for sustainable Stress-Tolerant Rice seed multiplication, dissemination and out scaling in Africa.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».