Zoonotic diseases awareness and food safety practices among livestock farmers in Nepal
Notice bibliographique
Résumé
Interactions between humans and livestock could increase the risk of zoonotic disease transmission. In addition, limited knowledge of zoonoses and foodborne diseases among livestock farmers could heighten the risks of foodborne illness and outbreaks of zoonotic diseases. This study evaluated the awareness of zoonotic diseases and preventive practices for zoonotic and foodborne diseases among livestock farmers of the Chitwan, Rupandehi, and Tanahun districts of Nepal by conducting a cross-sectional survey of 280 livestock farmers. They were recruited using the purposive sampling method from October to December 2022. Descriptive statistics revealed that most (72.1%; n = 202/280) livestock farmers were aware of zoonosis. None of the farmers knew about the zoonotic nature of leptospirosis. Two-thirds of pig farmers (67%; n = 12/18) were aware of zoonotic transmission of swine flu, and more than half of the poultry (58%; 50/86) farmers knew about zoonotic avian influenza. The majority of the farmers who had dogs (83%) and cats (89.4%) in their homes or farms knew that rabies can be transmitted to humans from dogs or cats. The multivariable logistic regression analysis revealed that farmers from the Rupandehi district (aOR: 5.56; 95% CI: 2.18–14.22) and Chitwan (aOR: 6.52; 95% CI: 2.46–17.25) had a higher odds of having good preventive practices than those from Tanahun. Also, farmers who had no sickness in the past 6 months after consumption of animal products were three times (aOR: 2.98; 95% CI: 1.48–6.01) more likely to have better practices. Furthermore, secondary education (aOR: 3.64; 95% CI: 1.41–9.44) was a significant positive predictor of good zoonotic diseases and food safety preventive practices. Our study underscores the necessity to enhance Nepalese livestock farmers’ awareness and practices regarding zoonotic and foodborne diseases. It emphasizes the importance of understanding risks, effective behavioral change strategies, and engaging farmers in developing zoonotic disease and foodborne illness prevention programs.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».