Vrouwelijke bedrijfshoofden in de Nederlandse land- en tuinbouwsector
Bibliographic record
Abstract
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
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.004 |
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; both teacher heads agree on what is shown here.
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".