Reflections from first-generation small-scale vegetable farmers
Notice bibliographique
Résumé
Renewal of the agriculture sector requires an influx of young farmers, either members of farming families or first-generation farmers. The latter face distinct challenges (Bloomfield, 2023; Magnan et al., 2023). This study seeks to understand some of their motivations and challenges in order to inform policy changes to support and encourage more first-generation farmers. Agriculture has long been regarded in Canada as not only economically but also culturally significant. Yet less than 1% of the population are recognised as farmers by the latest census data (Statistics Canada, 2021). In the last three decades alone, Canada has net lost nearly 150,000 farmers and the average age of a Canadian farmer is now 56. Only 8.5% of Canadian farmers were under 35 in the last Agricultural Census, compared to 20% in 1991, and that percentage has been declining steadily since 1931 (Clapp, 2023; Magnan et al., 2022; Qualman et al., 2018; Statistics Canada, 2006, 2022). In particular, the number of young people from farming families staying in agriculture is declining. Several reports, including that of the Royal Bank of Canada Climate Action Institute, show that a majority of farmers do not have a succession plan in place although, within the next decade, 40% will retire (Yaghi, 2023). People from non-farming backgrounds find it difficult to enter the profession due to barriers that include prohibitive costs and lack of training. To ensure that Canada can feed its growing population, we must address the farmer shortage by understanding the experiences of new—particularly young—farmers.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,015 | 0,005 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».