MétaCan
Menu
Retour à la cohorte
Enregistrement W3213088217 · doi:10.9734/arja/2021/v14i430140

Determining the Coping Strategies towards Household Food Security Practiced by the Farmers in Flood Prone Areas

2021· article· en· W3213088217 sur OpenAlexaff
M. E. Haque, Md. Nazrul Islam, M. J. Alam, M. Y. Uddin, Mohammad Mahfujul Haque, Md. Rafiqul Islam, Muhammad Abdul Majid, Md Golam Mostafa, Mursaleen Zebin Turin

Notice bibliographique

RevueAsian Research Journal of Agriculture · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural risk and resilience
Établissements canadiens123 Certification (Canada)
Organismes subventionnairesnon disponible
Mots-clésLivelihoodFood securityFlood mythBusinessCoping (psychology)AgricultureSocioeconomicsMarketingGeographyPsychologyEconomics

Résumé

récupéré en direct d'OpenAlex

A study was carried out at each of three flood affected reverine villages of three upazilas (small administrative unit) under Jamalpur district in Bangladesh during September, 2011 to May, 2012 to find out the coping strategies towards household food security practices by the farmers during flood period. Data were collected from randomly selected 336 respondents of 6720 farm families through both the qualitative and quantitative techniques and analyzed with the help of SPSS. A three-point rating scale was used for measuring the coping strategies considering five components such as food preservation, food management, food collection, agricultural products protection and some social aspects. The overall situation about practicing coping strategy had medium to high level where 70.83 percent were practiced high, 29.17 percent medium and none of them were under practiced low coping strategy towards household food security. Based on the above findings, it can be said that still now there is an ample scope for the development workers to work with the flood affected people for creating awareness towards better utilization of existing resources for improving their food situation as well as livelihoods.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,707
Score d'incertitude au seuil0,744

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
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 Opus0,052
Tête enseignante GPT0,306
Écart entre enseignants0,254 · 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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAsian Research Journal of AgricultureMême sujetAgricultural risk and resilienceTravaux en français237 207