Facilitating learning for innovation in a climate-stressed context: insights from flash flood-affected rice farming in Bangladesh
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Facilitation of learning enhances innovation through overcoming innovation barriers and supporting learning outcomes. However, little is known about how public Extension and Advisory Services (EAS) facilitate learning to help adapt to particular climate stressors. This article investigates the role of public EAS in facilitating learning to enhance innovation in a flash flood-affected farming context.Design/methodology/approach The research adopted flash flood-affected rice farming in Bangladesh as a case and collected data with actors involved in various extension approaches using interviews and focus group discussions.Findings Public EAS should involve a range of relevant actors, including the private sector and scientists, and jointly evaluate with farmers and provide feedback on the effectiveness of various crop cultivation strategies for flash flood adaptation. Public EAS needs to deliver the necessary instrumental support and resources to achieve learning outcomes and enable farmers to make desirable changes to farm activities.Practical implications Policy makers need to develop policies for the capacity development of public EAS staff and provide adequate resources so that public EAS can facilitate learning approaches to support discussions on local concerns and the use of local knowledge, experiences, and resources for flash flood adaptation.Theoretical implications Facilitation of learning to support adoption of technological innovations is not sufficient in the context of flash flood adaptation. Facilitation should support discussions on effective utilisation of natural and common resources for the flash flooding context.Originality/ value The study investigated the ways public EAS can facilitate learning to overcome barriers to innovation and support learning outcomes in a flash flooding context.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle