MétaCan
Menu
Retour à la cohorte
Enregistrement W3152879286 · doi:10.5539/jel.v10n3p48

Development of a Training Manual for Reducing Use of Pesticides by Para Rubber Farmers at Bueng Khan Province, Thailand

2021· article· en· W3152879286 sur OpenAlexvenueno aff
Tivapron Kombusadee, Jurairat Kurukodt

Notice bibliographique

RevueJournal of Education and Learning · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePesticide Exposure and Toxicity
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTest (biology)Training manualPesticideTraining (meteorology)Medical educationOperations managementToxicologyPsychologyAgricultural scienceBusinessMedicineEngineeringGeographyEnvironmental sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

It is widely known that systematically developed training manuals can be used to improve knowledge and practical skills and promote positive attitude of trainees. This research thus aimed to develop a training manual to help reduce the use of pesticides by para rubber farmers in Nonkheng Sub-district, So Phisai District, Bueng Khan Province, Thailand. The research was divided in to 3 stages. The first stage investigated the scenarios in which pesticides were used of the para rubber famers while the second stage dealt with the development of a training manual for promoting the reduction of the use of pesticides and hazardous chemicals by the farmers. The final stage was the evaluation for the efficiency of the developed training manual by applying it with 48 volunteered para rubber famers for 2 days. The findings revealed that the training manual had an efficiency of index at 80.38/80.89. After training with the manual, the farmers’ levels of knowledge increased tal 67.40%, while the overall post-test scores on knowledge, attitude, and practice skills in reducing the use of pesticides were found to be significantly higher (p < 0.05) than those of the pre-test. It can be concluded that the developed training manual can be effectively used to improve the knowledge, attitude, and practical skills of the trainees.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,639
Score d'incertitude au seuil0,123

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 Opus0,053
Tête enseignante GPT0,285
Écart entre enseignants0,232 · 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'étudeExpérimental (laboratoire)
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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Education and LearningMême sujetPesticide Exposure and ToxicityTravaux en français237 207