Evaluating the Effectiveness of Picture-Based Agricultural Extension Lessons Developed Using Participatory Testing and Editing with Smallholder Women Farmers in Nepal
Notice bibliographique
Résumé
Printed pictures are traditional forms of agricultural extension for smallholder farmers. They receive historical academic criticism but remain inexpensive, do not require technical skills (unlike smartphones), and bypass language/literacy barriers. Here, a comprehensive participatory pipeline is described that included 56 Nepalese women farmer editors to develop 100 picture-based lessons. Thereafter, the Theory of Planned Behavior is used as a framework to evaluate 20 diverse lessons using quantitative and qualitative data (Nvivo-11) collected from four groups, focusing on low-literacy women: the women farmer editors (n = 56); smallholder field testers who had prior exposure to extension agents and the actual innovations (control group, n = 120), and those who did not (test group, n = 60); expert stakeholders (extension agents/scientists, n = 25). The expected comprehension difference between farmer groups was non-substantive, suggesting that the participatory editing/testing approaches were effective. There were surprising findings compared to the academic literature: smallholders comprehended the pictures without the help of extension agents, perhaps because of the participatory approaches used; children assisted their mothers to understand caption-based lessons; the farmers preferred printed pictures compared to advanced information and communication technologies (ICTs); and the resource-poor farmers were willing to pay for the printed materials, sufficient to make them cost-neutral/scalable. These findings have implications for smallholder farmers beyond Nepal.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».