An Evaluation of Farmers’ Participation in Afforestation Programme in Kogi State, Nigeria
Notice bibliographique
Résumé
Extensive deforestation has reduced the 65 million hectares of intact forest cover of 1897 in Nigeria to thepresent 4 million hectares. The consequences of this unhealthy development have resulted to environmentaldegradation and accelerated wind and water erosion of the fertile land that has also left Nigerian soil too poor forsustainable agricultural production. Reforestation through small-scale village based farmers’ participation nowform one of the strategies embarked upon by several agencies in Nigeria including Kogi afforestation project.This study attempts to evaluate farmers’ participation in afforestation project in Kogi State. Structuredquestionnaire was used to interview 120 participants. Descriptive statistics, adoption index and sigma methodwere used to describe socio-economic characteristics, participation methods and to measure the level of adoptionwhile chi-square was used to find differences between income generated from adoption of the variousafforestation technologies. Findings reveal that 67 percent of the farmers had little or no formal education, morethan 30 percent of the farmers underwent passive participation in afforestation while adoption of improvedseedlings, exotic trees and pure stand technologies received high score of 4.90, 4.74 and 4.44 respectively. Seedscarification and harvesting by chipping technologies received the least adoption score of 2.61 and 2.94. Thechi-square test adjudged that there was a significant difference between income generated and type of technologyadopted. This study recommends that more pragmatic interactive participation method that will give room forjoint analysis of action plan and formation of local institutions should be put in place.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».