The role of farmer networks in supporting adaptive capacity: Opening the door for innovation and transformation in the Northeastern United States
Notice bibliographique
Résumé
This article explores the role of farmer networks in building the adaptive capacity of small and diversified farmers in the Northeastern United States. Previous research suggests that farmers’ networks are the backbone of practical agricultural knowledge systems in the United States, serving as a critical venue where growers exchange and negotiate new ideas. Drawing upon empirical evidence from a regional survey on climate resilience and a series of focus groups conducted in collaboration with 9 farmer organizations from Pennsylvania to Eastern Canadian provinces, this article examines how the emergence of new ideas and agroecological innovations are influenced by geography, network affiliation, and perceived agency. First, we use regression analysis to identify factors that influence the use of no-till on diversified vegetable and berry farms, which is an emerging innovation in this community. Our analysis shows that geography may not be a significant driver of adoption among the population we sampled, which contrasts with previous research on explanatory factors, yet affiliation with certain farmer networks was significant in predicting the use or intended use of the practice. This quantitative analysis is complemented by qualitative data from a series of focus groups in which farmers identify the characteristics of certain networks which support them in addressing new challenges. Farmers identified that networks support them in learning about new ideas, accessing resources, and engaging in creative problem-solving, through facilitation of spaces for exchange with peers and experts and being responsive to their emerging needs.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 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 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 ».