Perception paysanne des impacts de la variabilité climatique autour de la station de l'INERA/Kipopo dans la province du Katanga en République Démocratique Congo
Bibliographic record
Abstract
Une enquête a été effectuée auprès des paysans de la station de recherche de l’INERA/Kipopo et de ses environs, dans le territoire de Kipushi, province du Katanga, en République démocratique du Congo. L’objectif de cette étude était de recueillir la perception des fermiers sur la variabilité climatique et les stratégies d’adaptation à mettre en place pour faire face aux effets négatifs de celle-ci. L’enquête a été conduite auprès de fermiers chefs de ménages dans 106 fermes agricoles le long des quatre axes d’approvisionnement de la ville de Lubumbashi. L’analyse des résultats révèle que ces derniers sont attentifs aux évènements climatiques ainsi qu’à leurs effets négatifs sur leurs exploitations agricoles. Ils sont conscients des risques que représente la variabilité climatique pour l’agriculture et pour leur survie et recourent à différentes stratégies pour s’adapter aux effets négatifs des changements climatiques. Le manque de moyens financiers rend difficile l’accès aux prévisions météorologiques et à l’information climatique et obligent les fermiers à recourir aux stratégies d’adaptation qui sont simples et peu efficaces. Certains fermiers font encore recours aux moyens traditionnels de prévisions. Ceci met en évidence le caractère vulnérable des fermiers qui, au-delà des moyens financiers limités dont ils disposent, pratiquent encore une agriculture exposée aléas climatiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".