MétaCan
Menu
Retour à la cohorte
Enregistrement W4407337683 · doi:10.3390/land14020361

The Role of Anticipated Regret in Farmers’ Land Conversion Decisions

2025· article· en· W4407337683 sur OpenAlexaff
Mary Doidge, Hongli Feng

Notice bibliographique

RevueLand · 2025
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésRegretIncentiveGrasslandNatural resource economicsAgricultureLand useAgricultural landBusinessSalience (neuroscience)Agricultural economicsEconomicsGeographyMicroeconomicsEcology

Résumé

récupéré en direct d'OpenAlex

Conversion of grassland to cropland in the Prairie Pothole Region of North and South Dakota has many environmental consequences, including the loss of important migratory bird breeding grounds, increased agricultural chemical use, and release of sequestered carbon into the atmosphere. While conversion has negative ecological consequences, in years of high crop prices, cropland can generate higher returns than grassland, and farmers therefore face economic incentives for conversion in these years. However, recent research suggests that farmers may not convert land despite the economic incentives to do so. In this paper, we used the results of a framed economic experiment to explore the role of anticipated regret in farmers’ land conversion decisions. We used duration analysis to investigate the effect of anticipated regret salience on the risk of grass-to-crop land conversion and examined the regret participants express ex post about their land use decisions. Our results show that conversion risk from grassland to cropland was lower when anticipated regret was made salient than when it was not. Additionally, farmers expressed more regret about decisions to convert their land than when they left their land in grass. These results suggest that anticipated regret may play a role in farmers’ land conversion decisions, and that encouraging farmers to consider how they might feel about their decisions in the future may lead to lower rates of grass-to-crop conversion. We propose operational policy strategies based on our findings.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,144

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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 Opus0,051
Tête enseignante GPT0,222
Écart entre enseignants0,171 · 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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLandMême sujetEconomic and Environmental ValuationTravaux en français237 207