MétaCan
Menu
Retour à la cohorte
Enregistrement W379677597 · doi:10.5539/sar.v5n1p86

Entrepreneurship on the Farm: Kentucky Grower Perceptions of Benefits and Barriers

2016· article· en· W379677597 sur OpenAlexvenueno aff
Amy Camenisch, Sandra Bastin, Amanda Hege

Notice bibliographique

RevueSustainable Agriculture Research · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueOrganic Food and Agriculture
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDiversification (marketing strategy)BusinessMarketingProduct (mathematics)Added valueMarket penetrationLegislationValue addedPopularityValue (mathematics)Order (exchange)Agricultural scienceEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

The popularity of buying local and the resurgence of farmers markets has increased the need for farmer product diversification. In Kentucky, legislation was passed to allow farmers to produce value-added horticulture products from their homes. Following specific food-safe guidelines, homebased processors (HBP) and microprocessors (HBM) could sell pre-determined value-added products at their local farmers markets. This study administered an online survey to HBP and HBM participants in order to achieve the following objectives: 1) Determine the perceived success of farmer produced value-added food products, 2) Identify which support programs farmers are aware of or use, 3) Discover the primary perceived barriers to developing value-added food products, and 4) Ascertain what factors influence the development of a value-added food product business. Participants felt their value-added products were successful but many felt they struggled to bring their products to market. The primary barriers to developing value-added products were lack of time, funding, and legal knowledge. The primary barriers to using pre-existing program resources were not having enough time, being unaware of the services offered, and programs being held in locations too far away from their farm. The information gathered by this study can be used to determine the addressable farmer needs in product diversification. It can also assist programs in making their services more available and applicable to farm entrepreneurs.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,711
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,023
Tête enseignante GPT0,251
Écart entre enseignants0,228 · 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.

Devis d'étudeExpérimental (laboratoire)
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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainable Agriculture ResearchMême sujetOrganic Food and AgricultureTravaux en français237 207