Consumers and farmer awareness and perception of heavy metal contamination in rice: Implications for food safety and sustainability
Notice bibliographique
Résumé
Abstract Despite the growing concern for food safety and environmental conservation, empirical studies on public awareness and perception concerning heavy metal poisoning are limited. This study examines the awareness, perceptions, and factors influencing awareness of heavy metal contamination in rice ( Oryza sativa L.) among farmers and consumers in Ghana. Using data collected by multistage sampling from 275 rice farmers and 185 consumers in three municipalities in the Ashanti Region of Ghana, the study employed perception indices and ordered logit regression models in the analyses. Results indicate significant demographic differences between farmers and consumers, with low and moderate awareness of heavy metal contamination issues among farmers and consumers, respectively. Both groups expressed strong concern about the existence of heavy metals in agrochemicals, including bioaccumulation, long‐term health risks, and environmental pollution. Factors influencing awareness levels for farmers included age, education, credit access, participation in farmer‐based organizations, rice consumption frequency, extent of agrochemical usage, and training in handling agrochemicals. For the consumers, major factors influencing awareness levels were age, education, rice preference, consumption frequency, and household size. The study recommends the implementation of comprehensive educational programs, enhancing access to resources for farmers, strengthening regulatory frameworks, and promoting sustainable agricultural practices to address the challenges of heavy metal contamination in rice production and consumption. These findings provide valuable insights for policymakers and stakeholders to improve food safety and sustainability in the rice sector in sub‐Saharan Africa.
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 | 0,002 |
| 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 | 0,001 | 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) | 0,003 | 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 ».