MétaCan
Menu
Retour à la cohorte
Enregistrement W3212591838 · doi:10.3390/jrfm14110557

Complementary Currencies for Humanitarian Aid

2021· article· en· W3212591838 sur OpenAlexvenueno aff
Leanne Ussher, Laura Ebert, Georgina M. Gómez, William O. Ruddick

Notice bibliographique

RevueJournal of risk and financial management · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Socioeconomic Development
Établissements canadiensnon disponible
Organismes subventionnairesUdenrigsministerietErasmus Universiteit Rotterdam
Mots-clésCurrencyCashGrassrootsEconomicsFinancial networksCash transfersMedium of exchangeVirtual currencyVoucherCryptocurrencyBusinessFinanceMonetary economicsPolitical scienceMacroeconomicsAccountingComputer scienceLaw

Résumé

récupéré en direct d'OpenAlex

The humanitarian sector has gone through a major shift toward injection of cash into vulnerable communities as its core modality. On this trajectory toward direct currency injection, something new has happened: namely the empowerment of communities to create their own local currencies, a tool known as Complementary Currency systems. This study mobilizes the concepts of endogenous regional development, import substitution and local market linkages as elaborated by Albert Hirschman and Jane Jacobs, to analyze the impact of a group of Complementary Currencies instituted by Grassroots Economics Foundation and the Red Cross in Kenya. The paper discusses humanitarian Cash and Voucher Assistance programs and compares them to a Complementary Currency system using Grassroots Economics as a case study. Transaction histories recorded on a blockchain and network visualizations show the ability of these Complementary Currencies to create diverse production capacity, dense local supply chains, and data for measuring the impact of humanitarian currency transfers. Since Complementary Currency systems prioritize both cooperation and localization, the paper argues that Complementary Currencies should become one of the tools in the Cash and Voucher Assistance toolbox.

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,876
Score d'incertitude au seuil0,379

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,017
Tête enseignante GPT0,225
Écart entre enseignants0,208 · 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'étudeSans objet
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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetInnovation and Socioeconomic DevelopmentTravaux en français237 207