Locally led adaptation metrics for Africa: a framework for building resilience in smallholder farming sectors
Notice bibliographique
Résumé
Kenya is one of several Sub-Saharan African countries vulnerable to climate change, which severely impacts their small-holder farming (SHF) sectors. To build resilience and reduce SHFs’ vulnerability to the impact of climate change, there has been ongoing advocacy for an increase in adaptation funds disbursed to these African countries. However, the effectiveness of adaptation funds relies heavily on the quality of metrics used for tracking and assessing adaptation needs and actions developed by SHFs. This study, which set out to evaluate the impact of existing locally led adaptation (LLA) metrics relevant to Kenya’s SHFs, systematically searched grey and journal articles published between 2007 and 2023 and found that these sources did not reveal the impact of LLA metrics on resilience of SHFs, nor did they provide a framework for developing adaptation metrics relevant to SHFs. Kenya’s SHF sector is strategically vital for both rural and national economies and is the lifeblood of vulnerable communities. To mitigate the impact of climate change on this sector, the present study developed the first framework for locally led adaptation metrics for SHFs by drawing on the context knowledge of Kenya’s SHFs and lessons from the resilience and adaptation policy literature. This framework requires five steps: (1) to carry out gender intersectionality analysis to unravel the diverse typologies of SHFs in Kenya in order to identify their adaptation needs; (2) to co-develop metrics with stakeholders, including SHFs, periodically reviewing their relevance; (3) to complement metrics with contextual data; (4) to develop a knowledge brokering platform for cross-community and cross-country learning; and (5) to connect with government and decision makers. While this study has provided guidance on implementing the locally led adaptation metrics for Africa (LAMA) framework in real-world settings, there is a need to explore further how quantitative metrics can be complemented with contextual data.
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 | 0,001 | 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 | 0,000 |
| 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 ».