A scoping review of interventions for crop postharvest loss reduction in sub-Saharan Africa and South Asia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Reducing postharvest losses (PHLs) of food crops is a critical component of sustainably increasing agricultural productivity. Many PHL reduction interventions have been tested, but synthesized information to support evidence-based investments and policy is scarce. In this study, PHL reduction interventions for 22 crops across 57 countries in sub-Saharan Africa and South Asia from the 1970s to 2019 were systematically reviewed. Screening of the 12,907 studies identified resulted in a collection of 334 studies, which were used to synthesize the evidence and construct an online open-access database, searchable by crop, country, postharvest activity and intervention type. Storage technology interventions mainly targeting farmers dominated (83% of the studies). Maize was the most studied crop (25%). India had the most studies (32%), while 25 countries had no studies. This analysis indicates an urgent need for a systematic assessment of interventions across the entire value chain over multiple seasons and sites, targeting stakeholders beyond farmers. The lack of studies on training, finance, infrastructure, policy and market interventions highlights the need for interventions beyond technologies or handling practice changes. Additionally, more studies are needed connecting the impact of PHL reductions to social, economic and environmental outcomes related to Sustainable Development Goals. This analysis provides decision makers with data for informed policy formulation and prioritization of investments in PHL reduction.
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.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 découle