Between Professionalism and Amateurism in the Use of the Agricultural Training Videos: Lessons Learnt from Experimental Auctions in Benin
Notice bibliographique
Résumé
Agriculture training videos (ATV) facilitate the wider dissemination of agricultural technologies and encourage farmers to adapt the learnings to their conditions. However, producing quality video is expensive as well as challenging for notable number of agricultural extension organizations across many Africa countries. This paper compares farmers' willingness to pay (WTP) for two distinct video quality levels—a cheap, amateurish video and a costly, professionally produced video. Using stratified random sampling, 91 farmers were selected for the experimental auction sessions. These farmers were chosen from a database that was compiled by the Ministry of Agriculture developed in 2021, with a total population of 382 vegetable farmers. Data were analyzed using Student's t-test and Tobit model. 97% of farmers who attend the experimental auction sessions, agreed to pay for the ATV and results show a significant difference of 0.063 USD between the two videos, and in favor of professional video. Farmers’ WTP for ATV is influenced by education, access to funding, images clarity, type of character in videos, understanding level of message and language spoken. Video quality is very important in the learning process in rural areas and support the promotion of professional videos. However, amateur videos can be used in agricultural training if financial support are not available for professional videos production.
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 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».