Embracing clean waste-to-energy solutions in Sub-Saharan Africa: A countrified residential perspective
Notice bibliographique
Résumé
This study explores the adoption of Waste to Energy (WTE) as a panacea to waste management challenges by assessing whether rural households will embrace WTE solutions while ascertaining the determinants of residents’ subscriptions to WTE. Simple random sampling was employed in selecting respondents, while stratified sampling was employed in reaching respondents in the old town and new t site. The study found that 66% of the respondents were willing to subscribe to WTE technologies, while 59 (34%) were reluctant to subscribe to the technology even if it was readily available. Respondents willing to subscribe were motivated by the thought that WTE technology would help reduce waste-related diseases and improve waste management. The three paramount reasons why some respondents were unwilling to subscribe to WTE technologies are that the technology might come with charges, the technology has no personal benefit, and the respondents were not convinced about WTE technology. From the logistic regression, the determinants of residents’ willingness to subscribe to WTE technologies were established as age, education, income, waste sorting practice, and the perception of WTE as a panacea. The findings of this study have important implications for community engagement in waste and energy projects. Thus, the study recommends a pre-requisite for close community engagement for every community-level project, including WTE projects. • Environmental awareness is a requirement for modeling waste-to-energy solutions in rural areas. • Rural residents are willing to subscribe to waste management services. • Majority, 66% of the rural households perceive WTE as a panacea for waste management, and the same quota is willing to subscribe to WTE technology. • Socio-economic factors such as age, education, and income significantly influence rural folks’ willingness to subscribe to waste management services.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».