Learning and Technology Adoption in Developing Countries
Notice bibliographique
Résumé
This thesis contains three essays that focus on understanding the learning and technology adoption in developing countries.The first essay explores network-based targeting strategies for improving technology adoption.I consider the situation where the new technology can be more beneficial to some agents than others, with this heterogeneity affecting the diffusion of information.I develop a network-based theoretical framework of information diffusion with heterogeneous agents and validate the predictions of my model using experimental secondary data from Malawi.The essay highlights the need to understand possible population heterogeneity in benefits for designing network-based interventions.The second essay investigates how experiences shape learning for index insurance products.I focus on the effect of two different types of experiences: experiencing disasters and receiving payouts.I develop a theoretical model where households learn from their experience and test the predictions of the model using data for an index insurance product in rural Kenya.My findings indicate that learning more about the index insurance product lowers its demand.Thus, contrary to common belief, I find information frictions are driving index insurance demand higher than optimal.The last essay focuses on the role of active discussion in resolving information frictions related to the relative riskiness and uncertainty of different strategies to deal with Late Blight (LB) for Peruvian potato farmers.We use primary data from an artefactual field experiment.Our results suggest the need for policy to complement active discussions with knowledge interventions for its intended effect.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».