MétaCan
Menu
Retour à la cohorte
Enregistrement W3186077927 · doi:10.5539/ijef.v13n8p71

Gender and Poverty Reduction in Ghana: The Role of Microfinance Institutions

2021· article· en· W3186077927 sur OpenAlexvenueno aff
Bibiana Koglinuu Batinge, Hatice Jenkins

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueMicrofinance and Financial Inclusion
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMicrofinancePovertyCollateralEarningsStandard of livingPoverty reductionFinancial servicesDisadvantagedGlobeBusinessEconomic growthDevelopment economicsEconomicsFinanceMedicine

Résumé

récupéré en direct d'OpenAlex

Inequality between men and women is widely acknowledged across many parts of the globe. For example, among paid employees in Ghana, women’s average hourly earnings were around 67% of men. The disparity in earnings perpetuates poverty. Access to financial resources is widely regarded as crucial machinery to addressing this gender disparity and reducing poverty among women. Microfinance is a conduit to increasing access to finance among poor urban and rural women who usually lack the collateral to access loans from traditional financial institutions. Notwithstanding the vital role microfinance institutions play, there is no consensus on the assertion that its impact is generally favourable. Therefore, this study investigated the role of microfinance on health, education, and standard of living, as dimensions of poverty reduction in the Techiman Municipality of Ghana. The results indicate that access to microfinance services positively correlates to health, education, living standards and poverty reduction. Therefore, it is essential to extend the reach of microfinance services to increase access further to finance and, consequently, accelerate the rate of poverty reduction within the Municipality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,028
Tête enseignante GPT0,234
Écart entre enseignants0,206 · 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 source (Gemma direct ou Codex distillé), 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

Citations9
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetMicrofinance and Financial InclusionTravaux en français237 207