PARTICIPATORY RESEARCH ON LEGUME DIVERSIFICATION WITH MALAWIAN SMALLHOLDER FARMERS FOR IMPROVED HUMAN NUTRITION AND SOIL FERTILITY
Notice bibliographique
Résumé
Legume species are uniquely suited to enhance soil productivity and provide nutrient-enriched grains and vegetables for limited-resource farmers. Yet substantial barriers to diversification with legumes exist, such as moderate yield potential and establishment costs, indicating the need for long-term engagement and farmer-centered research and extension. This review and in-depth analysis of a Malawian case study illustrates that farmer experimentation and adoption of legumes can be fostered among even the most resource-poor smallholders. Multi-educational activities and participatory research involving farmer research teams was carried out with 80 communities. Over five years more than 3000 farmers tested legumes and gained knowledge of legume contributions to child nutrition and soil productivity. The average area of expansion of legume systems was 862 m2 in 2005; 772 m2 for women and 956 m2 for men indicating a gender dimension to legume adoption. Farmers chose edible legume intercrops such as pigeonpea and groundnut over the mucuna green manure system, particularly women farmers. Interestingly, expansion in area of doubled-up edible legumes (854 m2 in 2005) was practiced by more farmers, but was a smaller area than that of mucuna green manure system (1429 m2). An information gap was discovered around the biological consequences of legume residue management. Education on the soil benefits of improved residue management and participatory methods of knowledge sharing were associated with enhanced labour investment; 72 % of farmers reported burying legume residues in 2005 compared to 15 % in 2000. Households reported feeding significantly more edible legumes to their children compared with control households. Participatory research that incorporated nutritional education fostered discussions within households and communities, the foundation for sustained adoption of legume-diversified systems.
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 | 0,007 | 0,006 |
| 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 | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».