Methodologies for Researching Feminization of Agriculture: What Do They Tell Us?
Notice bibliographique
Résumé
An increasing body of literature suggests that agriculture is ‘feminizing’ in many low- and middle-income countries. Definitions of the feminization of agriculture vary, as do interpretations of what drives the expansion of women’s roles in agriculture over time. Understanding whether, how, and why the feminization of agriculture is occurring requires effective research methodologies capable of producing nuanced data. This article builds on six research projects that set out to deepen narratives of feminization of agriculture by empirically exploring the dynamics and impacts of diverse processes of feminization of agriculture. The researchers working on these projects reflect on how their methodological innovations enabled them to obtain new, or more nuanced, insights into the processes of feminization of agriculture. A first insight is that the way ‘feminization of agriculture’ is defined and operationalized plays a decisive role in the evidence we produce on the process. Second, bias in data on feminization can arise unless researchers examine well-recognized gender norms that mediate whether women are acknowledged by wider society as legitimate farmers. Third, the feminization of agriculture should be understood as a non-linear continuum. Research methodologies need to be capable of capturing dynamics, complexity, as well as multiple and diverse context- and time-specific drivers. Researchers need to exercise critical awareness of such biases when they are constructing data to measure or proxy aspects of feminization to avoid significantly underestimating women ’ s roles in agriculture.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,232 | 0,271 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,013 | 0,017 |
| Études des sciences et des technologies | 0,008 | 0,056 |
| Communication savante | 0,022 | 0,041 |
| Science ouverte | 0,006 | 0,012 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».