Agricultural Communication for Addressing Climate Change Challenges: Understanding Farmers' Responses to Misinformation
Notice bibliographique
Résumé
The successful adaptation of agricultural practices to address climate change challenges and ensure food security depends on access to accurate and reliable information. However, the quality of available information could hinder this process. This study investigates how Nigerian farmers navigate contradictory or confusing information related to climate change and food security. An online survey and semi-structured interviews were used to explore the actions farmers take when faced with such information and the underlying motivations driving their choices. Descriptive analysis, Multinomial Logistic Regression, and Binary Logit Model in SPSS were used to analyze the survey, while thematic coding in Nvivo was used for the interviews. The results reveal that farmers are more likely to encounter inaccurate information within their peer networks, highlighting the challenges associated with informal knowledge transmission. Farmers exhibit a range of responses upon receipt of such information. Notably, 40.16% of farmers disseminate the information further through face-to-face interactions, group discussions, or social media platforms. However, only half of these farmers verified the accuracy of the information before sharing it. Other observed responses include withholding the information or simply taking no action, suggesting varying levels of engagement and trust with the received knowledge. These responses deepen our understanding of knowledge exchange within agricultural communities, especially where farmers unintentionally spread misinformation. Global implications also exist for developing effective communication strategies to drive sustainable agri-food systems.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».