Facteurs d’adoption de la technologie "Microdose" dans les zones agroécologiques au Burkina Faso
Bibliographic record
Abstract
La disponibilité des ressources en eau et la dégradation des sols deviennent un défi majeur et menacent sérieusement les systèmes de production agricole dans la zone semi-aride du Burkina Faso. Cet article est une étude de cas, qui vise à identifier les facteurs explicatifs de l'adoption de la technologie "Microdose" avec une combinaison des techniques de gestion de l’eau et de fertilité des sols, dans les exploitations agricoles des provinces de Zondoma et de Kouritenga au Burkina Faso. La collecte des données a été effectuée auprès d’un échantillon aléatoire de 360 exploitants agricoles repartis dans les deux provinces. Dans la zone d’étude, les principales cultures vivrières sont le sorgho, le mil le maïs et le niébé qui assurent la base alimentaire des ménages agricoles. L'analyse économétrique avec le modèle logit a permis d'identifier des facteurs déterminant l’adoption du paquet technologique "Microdose". Les résultats ont montré que la formation en microdose (à 1%), le revenu agricole (à 5%), le nombre d’actifs (à 10%) et l’équipement du producteur (à 10%) ont une influence positive sur l'adoption du paquet technologique. La superficie a en revanche, une influence négative sur l'adoption au seuil de 1%. Ces résultats sont susceptibles d’être exploités afin de promouvoir la production agricole dans les zones similaires.Mots clés: Fertilité des sols, microdose, conservation des sols, zone semi-aride, adoption, Burkina Faso.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".