Friend or foe? Attitudes of rice farmers toward wild animals in West Africa
Notice bibliographique
Résumé
As the global human population grows and the demand for space and resources increases, human-wildlife interactions and conflicts are expected to rise, particularly in biodiversity-rich tropical agroecosystems where subsistence farmers and wildlife coexist. We investigated farmers' attitudes using the ABC framework, analyzing their affect, behavior, and cognition toward wild animals. Additionally, we explored how socio-demographic characteristics influence farmers’ attitudes. Through individual interviews and focus groups, we assessed the responses of farmers from six villages in the Oio region of Guinea-Bissau, West Africa. Most farmers (56%) expressed positive emotions toward rice production, which is solely for subsistence, despite facing challenges such as animal pests (87%) and inadequate tools (78%). Farmers showed strong knowledge of local wildlife at the class level. However, even when 'bird' and 'bat' were accepted as correct, identification accuracy at lower taxonomic levels varied between 67.5% and 80.4% across different villages. Farmers have mixed emotions about wild animals, with a general tendency toward negative feelings due to crop damage (49%) and human harm (20%), while positive feelings are tied to cultural beliefs (51%), harmlessness (7%), proximity to water (4%), and edibility (4%). Although attitudes toward animals varied between villages, respondent age and education did not seem to affect these views. Wildlife crop protection behaviors were consistent across villages but varied by target animal. Most strategies were non-lethal, such as making noise (44%) or guarding fields (12%), but a common perception of their ineffectiveness may explain resistance to promoting beneficial animals in their fields. When asked about having beneficial animals in their fields, 89% of farmers either did not know or chose not to answer. These findings highlight the complex relationship between smallholder rice farmers and wildlife in developing regions. Understanding these dynamics is crucial for fostering coexistence and promoting both biodiversity and sustainable agriculture.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».