MétaCan
Menu
Retour à la cohorte
Enregistrement W2155013870 · doi:10.5897/ajar12.2174

Comparing the operations and challenges of pig butchers in rural and peri-urban settings of western Kenya

2014· article· en· W2155013870 sur OpenAlexafffund
Mike Levy, Catherine E. Dewey, Zvonimir Poljak, Alfons Weersink, Florence Mutua

Notice bibliographique

RevueAfrican Journal of Agricultural Research · 2014
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAnimal Disease Management and Epidemiology
Établissements canadiensUniversity of Guelph
Organismes subventionnairesUniversity of Guelph
Mots-clésButcherOutreachBusinessSocioeconomicsAnimal husbandryAgricultural scienceGeographyEconomic growthAgricultureEconomicsBiology

Résumé

récupéré en direct d'OpenAlex

The purpose of this cross-sectional, observational study was to describe the pig butcher enterprises in western Kenya; highlighting differences in the operational processes and challenges between rural and peri-urban settings. Fifty pig butchers were interviewed using questionnaires in two districts, Kakamega (peri-urban) and Busia (rural). Results showed that pig butchers were central to the coordination of activities required to connect pig farmers to pork consumers in their communities. Several differences between rural and peri-urban enterprises included use of agents to find pigs, average market weight of pigs, pig prices per kilogram, transport and marketing. Butchers were challenged by credit and capital constraints, seasonality, high pig prices and high search costs. Butchers should be encouraged to have pork inspected and should be included in outreach programs intended to prevent the spread of zoonotic pathogens since they are the last intervention point before pork is consumed. Use of the tape measure for estimating pig weight could help remove inequalities between farmers and butchers abilities to estimate pig weights and could help to reduce search costs for the butcher, thus increasing equity and efficiency of trade between farmers and pig butchers in western Kenya.   Key words: Africa, Kenya, pig butchers, marketing channel, smallholder.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,122
Score d'incertitude au seuil0,107

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,106
Tête enseignante GPT0,308
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAfrican Journal of Agricultural ResearchMême sujetAnimal Disease Management and EpidemiologyTravaux en français237 207