MétaCan
Menu
Retour à la cohorte
Enregistrement W2462925081 · doi:10.5539/sar.v5n3p93

Disadoption of Improved Agronomic practices in Cowpea and Maize at Ejura-Sekyeredumase and Atebubu-Amantin Districts in Ghana

2016· article· en· W2462925081 sur OpenAlexvenueno aff
Patricia Pinamang Acheampong, Patterson Osei Bonsu, Hide Omae, Fujio Nagumo

Notice bibliographique

RevueSustainable Agriculture Research · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Innovations and Practices
Établissements canadiensnon disponible
Organismes subventionnairesJapan International Research Center for Agricultural Sciences
Mots-clésSowingProductivityProduction (economics)Agricultural scienceAgronomyAgricultureYield (engineering)ManureConstraint (computer-aided design)BusinessGeographyMathematicsBiologyEconomics

Résumé

récupéré en direct d'OpenAlex

<p>The improved cowpea and maize production methods developed in Ghana with the help of farmers are fundamental to increasing cowpea and maize productivity. Improved agronomic practices in cowpea and maize production believed to increase yield are row planting, the use of cover crops and the use of poultry manure. However, the practices are gradually losing their importance in cowpea and maize production. The paper therefore explores the extent to which various factors affect the disadoption of improved agronomic practices and reasons behind disadoption. Multistage sampling techniques were used to select hundred farmers from two cowpea and maize producing areas. Results revealed adoption of cover crops, row planting, poultry manure dropped from 13% to 6%, 99% to 53% and 77% to 10%, respectively. Financial constraint, difficulty in use, time and labour intensity were reasons for disadoption. Empirical results revealed that number of years in education, gender of farm household head, household size, access to extension and hired labour influenced disadoption of improved agronomic practices. Access to production inputs and continuous supply of information are important for farmers’ continuous use of improved agricultural technologies.</p>

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,805
Score d'incertitude au seuil0,872

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,051
Tête enseignante GPT0,320
Écart entre enseignants0,269 · 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

Citations4
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainable Agriculture ResearchMême sujetAgricultural Innovations and PracticesTravaux en français237 207