Farmers’ Knowledge on the Sweetpotato Cultivars Grown in the Teso Sub-Region, Uganda
Notice bibliographique
Résumé
The farmers’ knowledge of the cultivars to use in increasing sweetpotato productivity is critically important. A study was carried out in the Teso Sub-region to investigate the role of education in sweet potato production. Using an ex post facto design, 24 out of 51 sub-counties were purposively selected applying district-county strata and used to determine the perceptions of sweetpotato farmers and of their agricultural advisers. Through interviews, observations and questionnaires, the survey covered 288 farmers randomly selected and a whole population of 33 agricultural advisers, while 329 community leaders purposively selected and farmers randomly selected were engaged in focus group discussions. A total of 650 persons participated. Data were collected on farmers’ knowledge of sweetpotato cultivars grown capturing selected attributes. Analysis of data was done qualitatively using open and axial coding and quantitatively using means, frequencies, percentages, ANOVA and multiple regressions at a confidence level of 0.05 (?). Using selected attributes, farmers identified 139 cultivars grown. The best performing cultivar was Araka yielding a range of 19,001-29,000 kg/ha but was susceptible to the sweetpotato weevil and drought. Araka also stores poorly as dried chips or sliced. The least performing cultivars were Elany ikokolak, Epaku & Ocaka amani with yields below 5,000 kg/ha but less susceptible. Commercialising the crop with value addition, farmers need up-scaling of their scientific knowledge of cultivars and production as basis for better multiplification & selection of vines for higher yields needed in processing the crop for its several uses.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».