Methodologies for Researching Feminization of Agriculture: What Do They Tell Us?
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
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.
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 | 0,001 |
| 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 | 0,000 | 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