MétaCan
Menu
Retour à la cohorte
Enregistrement W2895214054 · doi:10.20431/2349-0381.0508005

Perception of Dew by Cereal Growers in Semi-Arid Climate (Guéné, North Benin)

2018· article· en· W2895214054 sur OpenAlexfundno aff
Gabin Koto N’Gobi, Basile Kounouhéwa, Clément Kouchade, Romuald Anago, D. Beysens

Notice bibliographique

RevueInternational Journal of Humanities Social Sciences and Education · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Rural Development Research
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research CentreStockholm Environment Institute
Mots-clésDewAridPerceptionGeographySemi-arid climateAgroforestryAgronomyEnvironmental scienceAgricultural economicsMeteorologyPsychologyEcologyBiologyEconomics

Résumé

récupéré en direct d'OpenAlex

West Africa is one of the regions the more impacted by climate change, concerning in particular droughts and lack of fresh water. In this context was carried out a study of the sociological perception of dew as alternate source of water by cereal's growers in Gun (semi-arid region, north Benin). Ten data collectors were formed to fill out questionnaires, addressed to 100 cultivators in 2014. Data analysis takes into account respondents' gender, their ages and the type of cereal they cultivate. Close to 80% of the growers experienced dew assistance when sowing cereals. During rain shortage, 44% of the farmers rely on dew occurrence to compensate for lack of rain water. Among farmers, 80% account for dew before and during cereals growth. For 99% of growers, dew plays an important role for cereal growth, as stated in scientific literature. However, 17% point out a possible negative role of dew, favoring dissemination of plant diseases. Farmers (87%) are open to any technology capable of collecting enough dew water for agriculture, but they remain skeptical about such discoveries. Responses only slightly vary when considering the gender and the ages of the farmers but they vary strongly when considering the type of cereal.

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)0,000
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 enseignants0,449
Score d'incertitude au seuil0,321

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,028
Tête enseignante GPT0,298
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

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Humanities Social Sciences and EducationMême sujetAgriculture and Rural Development ResearchTravaux en français237 207