Assessing homeowners’ awareness of green technologies in residential housing development: evidence from Ghana
Notice bibliographique
Résumé
Purpose Using and promoting green technologies in residential buildings might be a far more practical strategy for developing a sustainable built environment. The primary goal of this study is to examine homeowners' knowledge and awareness of the different green technologies and concepts that can be adopted to improve the quality of their homes. Design/methodology/approach The study employed a sequential mix technique methodology in order to accomplish its goal. A total of 156 respondents were chosen for a survey within the research areas using a simple random sample approach, while interviewees were chosen using a purposive sampling approach methodology. Descriptive and inferential statistics as well as content analysis were used to analyze the quantitative and qualitative data, respectively. Findings The findings indicate that homeowners have moderate knowledge of green technologies. It was also evident that print and electronic media are excellent at capturing and reaching a diverse range of homeowners interested in learning about sustainable development issues. Furthermore, the top three green technologies that most homeowners are aware of are using local materials over imported materials, grey water reclaiming and reuse technology and solar water heating technology. Subsequently, the homeowners in the three communities have differing opinions about the majority (82%) of the green technologies examined. Originality/value The findings will serve as a useful guide to assist practitioners and policymakers in implementing appropriate methods to integrate green technologies into housing projects and subsequently encourage their adoption.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».