A review of determinants for dairy farmer decision making on manure management strategies in high-income countries
Notice bibliographique
Résumé
Abstract The global dairy sector is a major source of human nutrition and farmer livelihoods, while also generating manure, an important nutrient for crop production, but one that must be managed to minimize environmental risk. Manure management—manure handling, processing, storage and application—is an important part of managing a dairy system. Rising awareness of environmental stewardship is increasing for dairy production that meets multiple sustainability goals. Importantly, a large body of research has identified a suite of potential manure management strategies (MMS) that can contribute to reduced environmental impact, and in some cases, provide additional benefits for farmers and society. Despite this growing body of technical and agronomically-focused research, there has been far less research on farmer decision making and adoption of MMS. To explore this gap, we conduct a systematic literature review of peer-reviewed articles exploring the drivers of farmer adoption and decision making related to MMS. We focus on high-income countries, where MMS strategies are more diverse and often involve advanced technologies. We find 36 articles across Europe, the United States, and Canada and focus on four key areas associated with MMS practices: (1) farm size and structural characteristics associated with MMS adoption including the relationship of certain MMS to each other; (2) existing adoption of MMS practices; (3) socio-economic and regulatory factors associated with MMS adoption; and (4) individual information, attitudes, and demographics associated with MMS adoption. We identify and discuss three gaps in the existing literature: (1) a dearth of studies exploring farmer adoption of MMS, especially from certain highly productive milk regions; (2) a lack of comparative studies across multiple regions and/or across time to identify more direct casual pathways of decision making; and (3) technical and other feasibility needs for future MMS adoption. These suggest a clear pathway for future research to better understand the myriad factors that influence dairy farmer decision making as it relates to MMS.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».