Uncertainty and perceived cause-effect help explain differences in adaptation responses between Swidden agriculture and agroforestry smallholders
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.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».