Reviewing the Impacts of COVID-19 Pandemic on the Kenyan Aquaculture Sector and Future Adaptive Strategies
Notice bibliographique
Résumé
For many Kenyans, the aquaculture business provides a vital source of food and work. However, information on Kenya’s aquaculture sector’s resilience in the face of emerging global shocks such as the COVID-19 pandemic requires additional examination. Prior to the epidemic, Kenya’s aquaculture industry had grown from a tiny participant to a critical component of the country’s fish food system, with fish and fisheries products becoming the most extensively traded food commodity in Kenyan market places. However, as indicated in the review, the aquaculture value chain has not been scrutinised since the onset of COVID-19. Lockdowns enacted during the pandemic had a significant influence on access to aquaculture inputs, fish commerce, and the socio-economic livelihoods of stakeholders and players in Kenya’s aquaculture value chain. Thus, initial and long-term adaptive strategies, particularly those implemented by governments, could help to the development of COVID-19 specific and generic resilience to numerous shocks and stressors among stakeholders and players involved in the country’s aquaculture industry. Some of the measures include a government incentive package to help the fisheries and aquaculture sectors recover, improve farming operations, and gain market trust, as well as the adoption of new methods to reduce labor intensity, such as intelligent sensors, camera systems, and automated or remotely controlled monitoring/feeding strategies. Such strategies and policies can protect the sector from future shocks triggered by pandemics and other unforeseen circumstances.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».