Factors Influencing Adoption and Area under Conservation Agriculture: A Mixed Methods Approach
Notice bibliographique
Résumé
Adoption of conservation agriculture (CA) is quite low in most parts of Africa. However, Zambia has been quite successful in increasing adoption of CA among smallholder farmers. Few studies using both quantitative and qualitative approaches have been conducted in Zambia to determine factors influencing adoption of CA. This study uses mixed methods approach to document factors influencing adoption of CA among smallholder farmers under the Conservation Agriculture Project (CAP) in Zambia. From a random sample of 415 smallholder farmers, results showed that 71% had adopted CA. Quantitative analysis indicated that CA trainings, previous experience in minimum tillage, membership in farmer organisations, and ownership of CA tillage equipment significantly increased the likelihood of CA adoption. Number of CA trainings attended, farm size, number of rippers owned and use of herbicide had a significant positive influence on area under CA. Qualitative approaches showed that good rapport with farmers, trust, reciprocity and altruism, monitoring and evaluations, extension strategy, quality and extent of technical knowledge in CA within CFU, and artificial incentives positively influenced adoption of CA. Traditional leadership was reported to enhance adoption of CA in most cases. Prestige was reported to withhold some men from adopting CA basins. Women were very involved in CA basins while men were mostly involved in ADP ripping. Some worldviews of farmers had negative influence on adoption of CA. Donor support and collaboration with the Zambia National Farmers Union and private sector were other contextual factors for the high adoption of CA among sampled smallholder farmers. In the promotion of CA it is important to pay attention to both quantitative and qualitative factors influencing adoption. A mixed methods approach thus can lead to a better understanding of the adoption of CA than a single research strategy approach.
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 | 0,029 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».