Bean technology adoption and its impact on smallholder farmers’ productivity, bean consumption; and food security data, Zimbabwe
Notice bibliographique
Résumé
This data was derived from the 2018 nationwide endline survey of a project that evaluated the adoption and impact of improved bean varieties in Zimbabwe. The country, a PABRA member, was a flagship for a 2014 initiative aimed at enhancing food security and incomes through bean research. The endline survey was implemented as an activity of the flagship initiative funded by Swiss Agency for Development and Cooperation (SDC) and Global Affairs Canada (formerly Canadian International Development Agency [CIDA]) through the Pan-Africa Bean Research Alliance (PABRA)/CIAT and the Southern Africa Bean Research Network (SABRN). The dataset was analyzed to determine the degree of influence project interventions had on bean production, the utilization of promoted technologies, and overall household welfare. Furthermore, the collection aimed to derive lessons on the efficacy and underlying reasons for the outcomes of various interventions. The data originate from a panel of households established in 2016, enabling a longitudinal analysis that accounts for time-invariant unobservable household characteristics. The dataset includes household, plot, and village-level information organized in modules: 1) Household & Location: (identification, Demographics, assets, and social networks), 2) Agricultural Practices (Bean varieties, cultivation methods, inputs, and harvests), 3) Land holding and utilization, 4) Field level data on bean area, production in previous cropping seasons 5) bean variety identification sample collection, 6) Institutional Access (Credit and agricultural services), 7) Post-Harvest & Markets (Bean utilization and marketing); 8) Non-chemical bean management strategies and post-harvest handling (ICM/IPM); 9) farmer preferences; 10) Food Security (variety Trait preferences and food security indicators) and 11) Income from others/none agriculture to your household. The data are organized into 19 separate files, each of which contains a common unique household identifier (hhid) that can be used to merge them Additional information was also collected at community level through focus group discussions, used to assess the extent of spillover effects by profiling direct and indirect intervention communities. By collecting data from the same households and communities, we aimed to address potential unobservable effects assumed to be fixed over the three years. Methodology:Trained enumerators collected data using a pre-tested digital questionnaire (CAPI) from the heads or spouses of the same households originally surveyed in 2016. This fourth-year, follow-up survey captured both household and agricultural plot-level information. To assess spillover effects, we also conducted community-level key informant interviews, profiling both direct and indirect beneficiary communities. This panel design allows for controlling unobservable, time-invariant characteristics over the three-year period.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».