Vrouwelijke bedrijfshoofden in de Nederlandse land- en tuinbouwsector
Notice bibliographique
Résumé
In deze publicatie wordt beschreven waar andere OESO-landen staan met betrekking tot het verzamelen van data over vrouwen in voedselsystemen en het aanpassen van beleid.Voor Nederland worden enkele aanbevelingen gegeven om de rol van vrouwen in voedselsystemen beter te begrijpen.De eerste aanbeveling is om te achterhalen hoe beleidsmakers, ambtenaren en stakeholders de rol van vrouwen zien in huidige debatten over transformaties van het voedselsysteem.Dit kan bijdragen aan meer bewustzijn over het belang van gendergelijkheid in het voedselsysteem.De tweede aanbeveling is om een bredere basis aan informatie te ontwikkelen over de bijdrage van vrouwen in de Nederlandse land-en tuinbouwsector.Het ministerie van LVVN heeft daarom behoefte aan inzicht in het aandeel vrouwelijke bedrijfshoofden op Nederlandse land-en tuinbouwbedrijven.In 2016 toonde Eurostat aan dat Nederland het laagste percentage vrouwelijke bedrijfshoofden in de Europese Unie had, namelijk 5% tegen een gemiddelde van 27% in de Europese Unie (Giner et al., 2024).In 2020 had Nederland nog steeds het laagste percentage, namelijk 5,6%. 1 Eurostat werkt met data verzameld in de Landbouwtelling.Er worden in Nederland echter twee verschillende manieren gebruikt om te berekenen wat het aandeel vrouwelijke bedrijfshoofden in Nederland is.In deze publicatie worden data uit de Landbouwtelling en uit het Bedrijveninformatienet (kortweg, Informatienet) beschreven en de verschillen verklaard. Verschillende tellingenIn Nederland worden op verschillende manieren data van de landbouwsector verzameld.Ieder
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».