Training on Heat Detection to Increase the Success Rate of Cattle Artificial Insemination for Girinka Beneficiaries in Huye District, Rwanda
Notice bibliographique
Résumé
Cattle farming is important for the socio-economic development of Rwanda, representing 12% of the national gross domestic product (GDP). In general, livestock production is a primary source of income. Recognizing the importance of cattle, the Government of Rwanda introduced the Girinka program in 2006 to reduce poverty and childhood malnutrition by providing poor people with dairy cows. The sustainability of the Girinka program relies on the successful breeding of cattle. Artificial Insemination (AI) is a method that can enhance cattle reproduction, but many Girinka beneficiaries did not have the requisite knowledge to maximize the success rate of AI by tracking the estrus cycle (heat detection) of their cattle.This project aimed to study the effect of training Girinka farmers on heat detection using the International Livestock Research Institute (ILRI) materials on cattle AI. A two-day training was provided to 74 Girinka cattle farmers. The cattle AI success rate and the farmers’ knowledge of heat detection were measured.The overall knowledge of farmers on cattle estrus cycle significantly increased from 37.16% pre-intervention to 92.34% post-intervention (P=0.008). The AI success rate significantly increased from 44% pre-intervention to 58.7% post-intervention (P<0.001).The study showed that by providing an evidence-based training to farmers on heat detection and estrus cycle in cattle could increase the success rate of AI. The same training is recommended for all Girinka beneficiaries in Rwanda. Longer term follow-up and scaling-up of the project should be considered to maximize the benefits.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».