The impacts of observational learning and word-of-mouth learning on farmers’ use of biogas in rural Hubei, China: does interpersonal trust play a role?
Notice bibliographique
Résumé
Abstract Background Residue-based biogas is considered as a renewable energy that should be used to improve energy security and household livelihoods in rural areas. Observational learning and word-of-mouth learning are critical in the dissemination of knowledge about agricultural technologies. Yet, scholars have little understanding of the impacts of these learning methods on farmers’ use of residue-based biogas. Using survey data from rural areas of Hubei China, this study estimates the impacts of observational learning and word-of-mouth learning from different subjects (i.e., relatives, neighbors, cadres, cooperative members, and technical instructors) on the use of residue-based biogas by farmers. Additionally, the moderating role of interpersonal trust in these relationships is explored. Results Results from logistic regression models show that observational learning from technical instructors significantly increases farmers’ use of biogas. Furthermore, interpersonal trust significantly and positively influences the impact of observational learning on farmers’ decisions to use biogas. Similarly, interpersonal trust significantly and positively moderates the influence of positive word-of-mouth learning on farmers’ decision to use biogas. In contrast, a negative moderating role exists in the relationship between negative word-of-mouth learning and farmers’ decision to use biogas. These impacts are further affirmed by robustness checks. Conclusions The results presented here show that enhancing farmers’ interpersonal trust promotes the use of residue-based biogas by farmers. One important implication is that the government might promote the use of residue-based biogas by organizing technology demonstration activities, providing communication platforms, and enhancing mutual trust between farmers and relevant groups.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».