Strengthening resilience in ultra-poverty: using multilayered indicators approach in climate-induced vulnerability
Notice bibliographique
Résumé
Bangladesh’s unique geographic location is characterized by high population density and widespread poverty. This makes it particularly susceptible to the adverse effects of climate change. This paper discusses the importance of refining poverty alleviation strategies in Bangladesh by acknowledging the diversity of poverty among different demographic groups. This study investigates the application of the multidimensional poverty index (MPI) to the ultra-poor population in Bangladesh and proposes a dual-layer approach to enhance poverty alleviation strategies. The methodology includes a comprehensive vulnerability assessment using the modified likelihood vulnerability index (MLVI) and advanced machine learning algorithms to analyze household-level data. The regression models displayed 96% accuracy. The ultra-poor population revealed only seven features that impacted them from the Gini importance algorithm. Features include ‘participation in embankment repair construction’ with the highest score of 0.198 and ‘maximum loan borrowed funds in the last five years’ with a score 0.169 as critical predictors of ultra-poverty status. The results reveal significant heterogeneity in vulnerability factors across different demographic groups, highlighting the need for tailored interventions. A new assessment tool is necessary to adapt indicators, weights, and data collection methods to local realities to address the unique challenges faced by the ultra-poor population. This results in a more comprehensive analysis than the use of the multidimensional poverty index (MPI) or the modified livelihood vulnerability index (MLVI).
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».