Sustainability potential of app-based food loss measurement: Farmers' perspectives in southwestern British Columbia, Canada
Notice bibliographique
Résumé
Food loss is a systemic problem contributing to negative environmental, social, and economic impacts. However, despite food loss quantification being identified as critical for food loss prevention and reduction, there is a dearth of studies exploring opportunities to digitize or simplify food loss measurement. Moreover, post-harvest food loss estimates can be difficult to obtain as farmers grow different types of crops and have diverse technical skills as well as resources. Digital agriculture technologies such as farm management apps that can help farmers accurately record their yield and sales may provide a useful method for quantifying food loss. Accurate food loss quantification may also help provide better baseline measurement for policymakers. To assess the potential role of digital agricultural tools for food loss quantification, this exploratory study recruited seven farmers in southwest British Columbia to test an open access farm management app called LiteFarm for 2 months and digitally recorded their harvest logs. Drawing upon semi-structured key informant interviews, this study found that time scarcity and crop diversity were barriers to using the app. An unexpected benefit to the app is that it can better inform land use decisions when utilized for pre-harvest planning and therefore may help with loss prevention. Findings from this study highlight farmers' struggles to focus on sustainability and reducing food loss, especially when balancing their economic interests. Inclusive digital technologies and deeper engagement with farmers are needed to develop food loss quantification methods that fit diverse farming contexts.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».