Perceived Health Hazards of Low-Quality Irrigation Water in Vegetable Production in Morogoro, Tanzania
Notice bibliographique
Résumé
This study assessed the perceptions of vegetable farmers, traders, consumers and key informants on the health hazards of using low-quality water in irrigation vegetable production in Morogoro, Tanzania. Methods used to collect data were a survey involving all farmers in Changarawe village and Fungafunga area using low-quality water for irrigation vegetable production (n=60), consumers of low-quality water irrigated vegetables (n=70) and vegetable traders selling low-quality water irrigated vegetables (n=60), focus group discussions (n=7) and key informant interviews (n=25). The study employed cross sectional research design. Descriptive statistics were used to calculate mean, frequencies and percentages while Mann-Whitney U-test and Kruskal-Wallis H-test assessed the association between social-demographic variables and respondents score on the health hazard perception scale of using low-quality water in vegetable production. Results showed skin itching, fungal diseases, bilharzias and worm infestation as among the perceived health hazards in using low-quality irrigation water. Health hazard perception differed among groups of farmers, consumers and vegetable traders (p<0.001). The mean ranks of the groups indicated that farmers perceive less health hazards in using low-quality water (mean rank = 147.98) compared to consumers (mean rank = 72.68) and vegetable traders (mean rank 69.64). More health hazards were perceived by Fungafunga farmers compared to farmers from the Changarawe village (p<0.001) while female farmers perceived less hazards in using low-quality water than male farmers (p < 0.05). Consumers with formal education perceived more health hazards than consumers with no formal education (p < 0.001) while vegetable traders from Fungafunga area perceived more health hazards in selling low-quality water irrigated vegetable than vegetable traders from the Changarawe village (p<0.001). These findings demonstrate the need to design health hazards minimization interventions for specific target group.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».