Uncertainty and perceived cause-effect help explain differences in adaptation responses between Swidden agriculture and agroforestry smallholders
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
Swidden smallholders are among the most vulnerable groups to climate change. Many efforts have focused on incentivizing their transition to agroforestry, often with limited results. Such transitions, embedded in complex socio-environmental changes, generate uncertainties, often ignored in the science-policy interface. In this paper, we examine dispersed disciplinary developments in decision-making under uncertainty, apply the insights to a case study, and discuss results in the context of prevalent knowledge production assumptions and incentivized livelihood transitions policies. We use interview data from three communities in the Mexican Maya region to create aggregated mental models of smallholders who adopted agroforestry, and those who continue to practice traditional swidden agriculture. The mental models depict perceived causal connections—including uncertain or delayed—between hazards, causes, consequences and responses. Our results show substantial differences in mental models driven by length of explanatory pathways, attribution of hazards and portfolios of responses, suggesting that agroforesters were more prone to proactive behavior and/or more responsive to outside discourses. Agroforestry is effective in reducing some uncertainties in its bundled approach, but new uncertainties for which smallholders have no prior experience arise. Contrastingly, recurrent themes point to lower self-efficacy in swidden smallholders, which may help explain non-adoption. We caution that not recognizing differences in mental models among potential beneficiaries of incentivized interventions may inadvertently exacerbate inequalities, while unaddressed uncertainties may lead to future disadoption. As a scientific tool, mental model mapping can inform the design of adaptation measures by identifying new knowledge and conflicting rationales, and segmenting strategies for potential (non)adopters.
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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