Tackling post-COVID-19 pandemic food crises through the adoption of improved maize seeds and technologies by smallholder farmers: The case of Ejura Sekyeredumase in Ghana
Notice bibliographique
Résumé
Amidst the COVID-19 pandemic, the need to accelerate food production efforts to achieve the UN SDG two, i. e., zero hunger target by 2030, is gaining momentum across the global food security discourse. One way to accelerate food production is to adopt improved seeds and technologies that may close existing yield gaps and support food security efforts in regions such as Sub-Saharan Africa. This paper uses mixed methods, including key informant interviews, structured household questionnaire surveys and focus group discussions, to examine the factors influencing the adoption of improved seeds and complementing technologies in Ghana. In particular, we draw insight from theories of failed market-induced behavior, innovation diffusion and induced-innovation theories to explore farmers' perceptions and adoption of different specific improved maize varieties and technologies for agricultural productivity. Our findings suggest that the level of awareness of improved seeds, particularly hybrid seeds and technologies, and the adoption rate of these technologies are low among Ghana's rural farmers. The findings reveal that socio-demographic and economic factors such as gender, age, cost of seeds, the promise of more yields, market access, social networks' influence, seed availability and accessibility are essential determinants of adopting improved planting technologies among smallholder farmers. This paper argues that location and context-specific-targeted extension services delivery to enhance the widespread adoption of improved seeds and technologies across scales can build farmers' capacity to increase agricultural productivity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».