Determinants of the level of compliance with recommended production practices among rice farmers in Osun state, Nigeria
Notice bibliographique
Résumé
Despite the expansion of rice production in Nigeria over the past decade, a marked discrepancy in yields between farmers’ fields and demonstration sites threatens food security and economic growth by limiting domestic supply. This suggests that rice farmers are not fully implementing recommended practices. This study therefore employed the Fractional Response Probit Model (FRM), suited for analyzing bounded dependent variables, to examine the factors influencing the level of compliance with recommended practices among rice farmers in Osun State. The study utilized primary data gathered through interviews using a structured questionnaire administered to 180 rice farmers. The study revealed that most rice farmers demonstrated only moderate adherence to recommended practices, with a mean compliance level of 0.48, representing a substantial 52% shortfall from optimal yield. Several factors were identified as positively and statistically significantly influencing compliance, including age, sex, household size, years of education, and frequency of visits from extension agents. High input costs and limited access to credit were among the key obstacles to compliance encountered by the farmers. This study concludes that rice farmers in the study area are on average, 52% below maximum compliance with recommended practices, underscoring the need for improved adoption. It is recommended that rice sector stakeholders such as government agencies, extension agents, non-governmental organisations, and farmer associations support farmers through fertilizer subsidies and by creating platforms to reduce the cost and difficulty of accessing essential production inputs.
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 | 0,001 |
| 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 ».