Vulnerability to food and nutrition insecurity in the Caribbean
Notice bibliographique
Résumé
Objective: To assess the livelihoods that are most vulnerable to food and nutrition insecurity in three Caribbean countries: Jamaica, St. Vincent and the Grenadines and St. Kitts and Nevis. Methods: The Sustainable Livelihood Approach (SLA), and the Food and Agriculture Organization’s (FAO’s), Food Insecurity Vulnerability Mapping Systems (FIVIMS), framework were used as the lens for conducting the assessment. Primary data from household interviews, focus group discussions, and key informant interviews, as well as secondary data, provided answers to five empirically based questions posed in the study, viz., who are vulnerable to food and nutrition insecurity; how many they are; where they are located; why they are vulnerable; and what can be done to address the vulnerability situation. Results: Poverty is a key driver of food insecurity, and is reinforced in livelihoods that, typically: · Have limited asset portfolios. · Do not benefit significantly from external risk management instruments such as policies, laws, and regulations · Are frequently impacted negatively by shocks (e.g., natural disasters), trends (e.g., loss of markets), and seasonality. These factors, singly or combined, restrict choices, and constrain the ability of households to maintain food security and build resilience against food insecurity. The paper drew attention to the importance of, and briefly covered key gender issues. Conclusions: The three-country case study highlights the full range of factors that place people at risk of becoming food-insecure. The paper recommends policy actions to address the risk factors to food and nutrition insecurity, and to increase the resilience of livelihoods to cope with or respond effectively to stressful situations.
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 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 | 0,012 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».