MétaCan
Menu
Retour à la cohorte
Enregistrement W4386123469 · doi:10.47067/reads.v9i2.483

Examining the COVID-19 Coping Strategies Employed by Residents in selected South Africa’s rural areas

2023· article· en· W4386123469 sur OpenAlexfundno aff
Andrew Emmanuel Okem, Betty Claire Mubangizi, Niyi Adekanla, Sokfa F. John

Notice bibliographique

RevueReview of Economics and Development Studies · 2023
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCOVID-19 Pandemic Impacts
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research CentreUK Research and InnovationNational Research FoundationNewton FundStyrelsen för Internationellt Utvecklingssamarbete
Mots-clésLivelihoodCoping (psychology)Coronavirus disease 2019 (COVID-19)Food securityRemittancePandemicEconomic growthSocioeconomicsRural areaPsychological resilienceBusinessAgricultureDevelopment economicsPolitical sciencePsychologyGeographyEconomicsMedicineSocial psychology

Résumé

récupéré en direct d'OpenAlex

Rural communities are vulnerable to shocks associated with the COVID-19 pandemic. The resilience of these communities depends on their ability to cope with the impacts of such shocks. This study examines the COVID-19 coping strategies of residents of Matatiele and Winnie Madikizela Mandela local municipalities in South Africa. We collected primary data through 11 FGDs and 13 individual interviews. Of the six coping strategies identified, the most cited was resorting to alternative food sources to address food insecurity. Other coping strategies include alternative sources of income; reducing remittance and expenditure; shifting to new activities; and introducing emotional support. The findings reveal that coping strategies entail changes around basic needs such as food and income. To protect these communities against future shocks, strong local institutions working in collaboration will be invaluable in empowering communities to identify and implement alternative livelihoods while building supportive infrastructure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,456
Score d'incertitude au seuil0,792

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,183
Tête enseignante GPT0,322
Écart entre enseignants0,140 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Economics and Development StudiesMême sujetCOVID-19 Pandemic ImpactsTravaux en français237 207