MétaCan
Menu
Retour à la cohorte
Enregistrement W4416451983 · doi:10.1016/j.jdeveco.2025.103683

Turning up the heat: Extreme heat and labor implications in West Africa

2025· article· en· W4416451983 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueJournal of Development Economics · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensAgriculture and Agri-Food Canada
Organismes subventionnairesUnited States Agency for International Development
Mots-clésExtreme heatExtreme weatherMicrodata (statistics)Context (archaeology)Extreme ColdClimate changeExtreme povertyHeat wave

Résumé

récupéré en direct d'OpenAlex

We examine the impact of extreme heat on household labor allocation in Ghana, Mali, and Nigeria using earth observation and microdata from Ghana. We find that extreme heat affects household labor in distinct ways with significant cross-country heterogeneities. In Nigeria, extreme heat reduces labor use at the extensive margin but increases labor use at the intensive margin. Notably, child labor rises while adult labor declines at the extensive margin. In Mali, extreme heat leads to an overall increase in household labor, particularly among women and children, whereas Ghana shows minimal impact except for reduced child labor. Both Mali and Nigeria experience decreases in hired labor, animal traction, and associated labor costs under extreme heat exposure. These patterns could be explained by farmers’ adaptive strategies: extreme heat triggers the build-up of pests, weeds, and diseases, which could induce farmers to use more pesticides and engage in manual weeding, which are labor-demanding. Moreover, households rely on climate-resistant crop varieties and cropland expansion, which may require additional labor. These findings underscore the importance of context-specific adaptation strategies and the nuanced effects of extreme heat on rural labor markets in West Africa.

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 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 enseignants0,066
Score d'incertitude au seuil0,210

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 Opus0,058
Tête enseignante GPT0,279
Écart entre enseignants0,220 · 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