MétaCan
Menu
Retour à la cohorte
Enregistrement W4386488905 · doi:10.1079/cabicomm-62-8171

Are integrated crop-livestock clinics an option for Kenyan smallholder farmers to address One Health issues?

2023· report· en· W4386488905 sur OpenAlexfundno aff

Notice bibliographique

Revuenon disponible
Typereport
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAnimal Disease Management and Epidemiology
Établissements canadiensnon disponible
Organismes subventionnairesMinistry of Agriculture of the People's Republic of ChinaAustralian Centre for International Agricultural ResearchAgriculture and Agri-Food CanadaUniversity of WarwickBritish Academy
Mots-clésKenyaLivestockBusinessCropAgroforestryCrop managementAgricultural scienceAgricultural economicsGeographyEnvironmental scienceForestryEconomicsBiology

Résumé

récupéré en direct d'OpenAlex

The majority of smallholder farmers in sub-Saharan Africa rely on both crops and animals for their livelihoods.However, the scarcity of farmer advisory services leaves them with insufficient knowledge about crop and animal health, as well as the wider health issues emanating from farming.There is a need for adapted, innovative services to meet the needs of smallholders.CABI's long-standing work with plant clinics sparked new ideas on how to better serve smallholder farmers by including animal advice in the clinics.This, in turn, revealed a potential to explore 'One Health benefits' of such an integrated service.Uganda began piloting crop-livestock clinics in 2021, and Kenya followed in 2022.Before launching the Kenyan pilot, a study was conducted to ascertain farmers': (i) awareness of 'One Health issues' related to crops and animals, (ii) information needs on crop and livestock farming, and (iii) perceptions on joint crop-livestock clinics as a new type of integrated farmer service.About 70% of the farmers, mainly from Trans-Nzoia and Machakos counties, were aware of some 'One Health issues', including mycotoxins such as aflatoxin as well as pesticide residues on food and fodder.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,102

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0030,001
Charge utile insuffisante (le modèle a refusé de juger)0,0300,001

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.

Tête enseignante Opus0,409
Tête enseignante GPT0,439
Écart entre enseignants0,030 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAnimal Disease Management and EpidemiologyTravaux en français237 207