Do farmers adopt advice on good pesticide practices? A case study of plant doctor recommended pesticide use in maize and tomato production
Notice bibliographique
Résumé
Pesticides are now widely used to manage the recent outbreak of crop pests such as fall armyworm (Spodoptera frugiperda, FAW) and Phthorimaea absoluta (syn.Tuta absoluta).However, reports on farmers' pesticide use practices are often insufficient.Hence, this study aimed to assess how Kenyan maize and tomato farmers' use of pesticides aligns with plant doctor recommendations.We collected data from 600 randomly selected maize and tomato farmers (clinic users and non-clinic users) using a pre-tested structured questionnaire and key informant interviews with plant doctors and extension officers.Results suggest farmer practices matched plant doctor recommendations in over 80% of clinic users' cases.However, there were significant differences in recommended pesticide use and actual practices between Do farmers adopt advice on good pesticide practices?A case study of plant doctor recommended pesticide use in maize and tomato production plant clinic users and non-plant clinic users.Although plant clinic users were significantly more likely to wear Personal Protective Equipment (PPE) while working with pesticides, we observed inadequate PPE use among most farmers.This contributed to reported incidences of dizziness, headaches, and other acute pesticide health symptoms.Occasionally farmer practice does not match plant doctor recommendations due to the high cost of inputs, and lack of money to purchase the recommended inputs.Overall, this study shows that plant clinic participation resulted in more judicious use of pesticides and PPE wearing by farmers.The divergence in views means that there is a need to reconcile farmer actions and ideal situations through seminars, farmer field schools, barazas, and other information dissemination methods. Key highlights• Farmers follow plant doctor recommendations in over 80% of cases.Where they do not, it is mostly due to a lack of money to purchase recommended inputs.• While farmers apply suitable pesticides, they sometimes increase the strength or frequency of application, because they think this will lead to quicker pest control.• More than 85% of plant clinic users apply pesticides at the right time of the day, compared to only about 55% of non-clinic users.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».