Factors Influencing Involvement in Nonfarm Income Generating Activities Among Local Farmers: The Case of Ughelli South Local Government Area of Delta State, Nigeria
Notice bibliographique
Résumé
The study investigated the factors influencing the involvement of farm families in non farm income generating activities. Multi — stage and stratified simple random sampling procedures were used to compose the sample. The sample was made up of seventy two (72) heads of rural farm families. Data were collected by use of structured interview schedule and Focus Group Discussion. Data were analysed by simple percentage, Chi square test, multiple regression and correlation There was a significant relationship between number of non farm income generating activities and demographic characteristics (R2 = 0.870). Farm size (t = -2.386; p = 0.020), level of education (t = -4.227; p = 0.00), and household size (t = 5.404; p = 0.00) were significant and constant predictors of number of non farm income generating activities engaged in by the farm families. A significant relationship was found between involvement in non farm income generating activities and soil degradation due to infertility (X2 = 23.66, p < 0.01) and oil spillage (X2 = 26.01, p < 0.01). The study established a linear relationship between number of income generating activities and demographic characteristics. Extension workers should take into cognisance all rural income generating activities engaged in by the farm families when embarking on services and programmes aimed at improving their welfare.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| 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 ».