Effect of Coronavirus on Aquaculture in Oyo state, Nigeria
Notice bibliographique
Résumé
Coronavirus 2019 is a global health concern that has left most countries in a state of severe economic meltdown. Scientific research has been down on the virus and its impact on various sectors but that of the Nigerian aquaculture industry has been missing. This paves the way for this research to aim at bridging this gap by looking at the perception of fish farmers on the influence of coronavirus on their activities, the challenges they face during the period of the virus, and the coping strategies adopted to mitigate the impact of the virus. The research used cross sectional survey design with the sample size being 11 fish farmers living in Oyo state, Nigeria. Homogeneous purposive sampling was used and primary data collected through the use of google form. The data collected was analysis using SPSS version 25.0. The result of the analysed data showed that: on socioeconomic characteristics; the majority of the respondent reported that Coronavirus has had an effect on their fishing activity and they were mostly small scale farmers with catfish being the predominate fish farmed. The majority of fish farmers perceived demand decline, high cost of production, fish being more expensive, and reduction of manpower on the farm due to lockdown measures. Reduction in walk-in customers to the farm was revealed as the major challenge posed by the pandemic, while the inability to get technical support as least. On coping strategies adopted, it was revealed that farmers have resorted to the development of their own feed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».