Süni intellekt əsaslı kənd təsərrüfatı məsləhət xidməti, maşın öyrənməsi, təbii dil emalı və məlumat analitikası kimi süni intellekt texnikalarından mobil tətbiq, chatbot və ya digər rəqəmsal kanallar vasitəsilə istifadə edərək fermerlərə kənd təsərrüfatı qərar dəstəyi təqdim etməyi hədəfləyən rəqəmsal məsləhət xidmətidir. Bu tədqiqat Nigeriyanın Enugu State bölgəsindəki Nsukka Agricultural Zone-da Nsukka Yellow Pepper (NYP) yetişdirən gənc fermerlərin bu xidmətləri nə dərəcədə bildiyini və istifadə etdiyini; istifadə qərarının sosial-iqtisadi müəyyənedicilərini; istifadəçilərlə istifadəçi olmayanlar arasındakı istehsal, xərc və ümumi marja fərqlərini; həmçinin istifadənin qarşısındakı sosial-texniki maneələri araşdırır. Başlanğıcda 150 fermer nümunəyə daxil edilmiş, 144 tamamlanmış sorğu analizə daxil edilmişdir. Mənbə %79,2 məlumatlılıq, %72,2 tətbiqi yükləmə/sınaqdan keçirmə və %45,8 tam və ya davam edən istifadə bildirir.

Binary Logit nəticələrində marital status, monthly income, credit access, cooperative membership və AI/IoT training dəyişənləri mənbə Table 2-də p≤0,05 səviyyəsində əhəmiyyətli göstərilmişdir. Ən böyük müsbət əmsallar cooperative membership üçün 4,766 və AI/IoT training üçün 4,550-dir; monthly income əmsalı −0,747 ilə mənfidir. Bununla belə, Table 2-nin bəzi coefficient–standard error–Wald kombinasiyalarında mənbədaxili uyğunsuzluqlar olduğuna görə əmsalların böyüklüyü ehtiyatla şərh edilməlidir.

İstifadəçi qrupunda Table 3-ə görə mean output 285,68, istifadəçi olmayanlarda 259,10-dur. Input-cost əsaslı partial productivity ratio istifadəçilər üçün 0,00023, istifadəçi olmayanlar üçün 0,00019 kimi verilmişdir. Table 4-də istifadəçilərin ümumi marjası ₦920.033,21, istifadəçi olmayanların ümumi marjası ₦609.236,40-dır; mənbə bu fərqi təxminən %51 artım kimi ifadə edir. Lakin tədqiqat randomizə olunmayıb və istifadəçi–istifadəçi olmayan fərqləri üçün ayrıca causal-effect estimator və ya əhəmiyyətlilik testi hesabatlandırılmayıb. Buna görə müşahidə olunan fərqlər AI əsaslı məsləhət xidmətinin təkbaşına səbəb təsiri kimi şərh edilə bilməz.

İstifadənin qarşısındakı ən yüksək ballı maneələr aşağı rəqəmsal savadlılıq (\(\bar{x}=3.86\)), AI əsaslı xidmətlərin faydaları barədə aşağı məlumatlılıq (\(\bar{x}=3.69\)) və qeyri-kafi texniki dəstək (\(\bar{x}=3.67\)) kimi hesabatlandırılmışdır. Tədqiqatın ümumi mesajı budur ki, məlumatlılıq və ilkin təmas yüksək olsa da davamlı istifadə daha aşağıdır; rəqəmsal bacarıq, təhsil, kooperativ strukturlar, maliyyəyə çıxış və texniki dəstək istifadə nümunələri ilə əlaqəlidir.

Süni İntellekt Əsaslı Kənd Təsərrüfatı Məsləhət Xidməti Nədir?

Süni intellekt əsaslı kənd təsərrüfatı məsləhət xidməti, fermerin istehsal qərarlarını dəstəkləmək məqsədilə süni intellekt və məlumat emalı texnikalarından istifadə edərək xəstəlik diaqnostikası, hava şəraiti, giriş resurslarından istifadə, bazar məlumatı və ya ümumi kənd təsərrüfatı məsləhəti kimi məlumatları rəqəmsal kanallarla çatdıran məsləhət yanaşmasıdır; bu tədqiqatda anlayış konkret bir AI sistemi ilə məhdudlaşdırılmamış, ChatGPT, WhatsApp Meta AI, Plantix, AgriBot və Hello Tractor kimi müxtəlif platformaların istifadəsi birlikdə araşdırılmışdır.

Nsukka Yellow Pepper nədir?

Nsukka Yellow Pepper (NYP), tədqiqatda Capsicum chinense kimi müəyyən edilən və Nsukka Agricultural Zone ilə assosiasiya olunan yerli sarı bibər sortudur. Mənbə NYP-nin fərqləndirici aroması, rəngi, dadı və qida xüsusiyyətlərinə görə bölgədə iqtisadi və kənd təsərrüfatı baxımından əhəmiyyət daşıdığını bildirir.

Tədqiqatın giriş hissəsi əvvəlcə ümumi pepper istehsalından bəhs edərkən Capsicum annuum L. adından istifadə edir, daha sonra tədqiqatın əsas məhsulu olan Nsukka Yellow Pepper-i Capsicum chinense kimi müəyyən edir. Verianla bu iki taksonomik ifadəni bir-birinə çevirmir; tədqiqatın hədəf məhsulu üçün mənbədə istifadə olunan NYP = Capsicum chinense uyğunluğunu qoruyur.

Niyə AI əsaslı məsləhət xidmətləri araşdırılıb?

Mənbə ənənəvi istehsal təcrübələrindən asılılığı, vaxtında və etibarlı məlumata məhdud çıxışı və müasir kənd təsərrüfatı texnologiyalarından az istifadəni bibər istehsalındakı problemlər arasında göstərir.

AI əsaslı rəqəmsal xidmətlərin nəzərdə tutulan istifadə sahələri arasında:

• zərərverici və xəstəlik diaqnostikası,
• torpaq və su idarəetməsi,
• hava proqnozu,
• giriş resurslarının optimallaşdırılması,
• bazar məlumatı,
• ümumi kənd təsərrüfatı məsləhəti

yer alır.

Mənbə həmçinin APWEN və University of Nigeria, Nsukka tərəfindən bölgədə erkən xəstəlik aşkarlanması, su idarəetməsi və rəqəmsal extension services kimi AI tətbiqlərinin hazırlandığı və ya istifadəyə verildiyi kontekstdən bəhs edir. Lakin mövcud tədqiqatın özü bu AI sistemlərinin texniki dəqiqlik göstəricilərini ölçən maşın öyrənməsi benchmark tədqiqatı deyil.

Diffusion of Innovations nəzəriyyəsi tədqiqatda nə iş görür?

Tədqiqatın nəzəri fonunda Rogers-in Diffusion of Innovations (DOI) yanaşmasından istifadə olunur. Mənbə bu nəzəriyyədə technology adoption-ın relative advantage, compatibility, complexity, trialability və observability kimi xüsusiyyətlərlə izah oluna biləcəyini bildirir.

Bu anlayışların Azərbaycan dilində təxmini mənaları belədir:

• Relative advantage: yeni texnologiyanın mövcud üsulla müqayisədə qavranılan üstünlüyü.
• Compatibility: texnologiyanın istifadəçinin ehtiyacları və mövcud təcrübələri ilə uyğunluğu.
• Complexity: texnologiyanı öyrənməyin və ya istifadə etməyin nə dərəcədə çətin qavranılması.
• Trialability: texnologiyanın tam mənimsənilməzdən əvvəl sınaqdan keçirilə bilməsi imkanı.
• Observability: texnologiyanın nəticələrinin istifadəçi və ya ətrafdakılar tərəfindən görünə bilməsi.

Bu tədqiqat DOI dəyişənlərinin hamısını ayrıca struktur model daxilində ölçmür; nəzəriyyə adoption davranışını izah edən konseptual fon kimi istifadə olunur.

Tədqiqat sahəsi

Tədqiqat Enugu State daxilindəki Nsukka Agricultural Zone-da aparılmışdır. Zone üç Local Government Area-dan ibarətdir:

• Nsukka,
• Igbo-Etiti,
• Uzo-Uwani.

Mənbə koordinat intervalını 7°20′1″E–7°29′1″E uzunluqları və 6°54′1″N–7°0′1″N enlikləri kimi verir.

Nümunə necə formalaşdırıldı?

Mənbənin “multistage sampling” adlandırdığı nümunə seçimi prosesində üç LGA-nın hamısı tədqiqata daxil edilmişdir. Daha sonra registered farmer siyahılarından proportional random sampling ilə:

• Nsukka-dan 48,
• Igbo-Etiti-dən 49,
• Uzo-Uwani-dən 53

gənc bibər fermeri seçilmişdir.

Ümumi başlanğıc nümunə:

\[ 48+49+53=150 \]

nəfərdir.

Paylanmış 150 sorğudan 144-ü tamamlanmış və analizə daxil edilmişdir:

\[ \frac{144}{150}\times100=96\% \]

Buna görə Table 1 açıq şəkildə \(n=144\) kimi hesabatlandırılır.

Məlumatlılıq və istifadə nisbətləri

İstifadə olunan AI və rəqəmsal platformalar

Bu nisbətlərin cəmi %100 deyil. Mənbə questionnaire quruluşunun bu hissəsində multiple-response seçiminə icazə verilib-verilmədiyini və ya denominator-un yalnız users olub-olmadığını açıq şəkildə müəyyən etmir. Buna görə nisbətlərin bir-birini istisna edən kateqoriyalar olduğu fərz edilə bilməz.

AI xidmətlərinin istifadə məqsədləri

Mənbə cədvəli müvafiq sətri “Record mining” kimi yazır; dərhal əvvəlki Results prose isə eyni %11,81 dəyərini “record-keeping” kimi izah edir. İki ifadə səssiz şəkildə vahid terminə çevrilməyib.

İstifadə tezliyi

Bu beş kateqoriyanın cəmi %100 edir. Daily + Weekly + Monthly + Rarely cəmi də %45,8-dir və Table 1-dəki full/continued use faizi ilə sayca eynidir.

Binary Logit Modeli Bu Tədqiqatda Nəyi Ölçür?

Binary Logit modeli, bir NYP gənc fermerinin AI əsaslı extension service istifadəçisi olma ehtimalının cins, yaş, ailə vəziyyəti, gəlir, kreditə çıxış, fermerlik təcrübəsi, təhsil, smartphone ownership, AI/IoT training və cooperative membership kimi on izahedici dəyişənlə necə əlaqəli olduğunu log-odds şkalasında modelləşdirir; model müşahidəvi əlaqələri qiymətləndirir və təkbaşına səbəb təsirini sübut etmir.

Tənlik (1): Binary Logit

Mənbə modeli belə verir:

\[ \ln\left[ \frac{P_i}{1-P_i} \right] = \beta_0+ \beta_1X_1+ \beta_2X_2+ \beta_3X_3+ \beta_4X_4+ \beta_5X_5+ \beta_6X_6+ \beta_7X_7+ \beta_8X_8+ \beta_9X_9+ \beta_{10}X_{10} \tag{1} \]

Formul nəyi hesablayır? Formul adoption probability \(P_i\)-ni birbaşa deyil, adoption odds-un təbii loqarifmini modelləşdirir.

\[ Odds_i=\frac{P_i}{1-P_i} \]

Tədqiqatın yeni tapıntısı deyil, formulun riyazi izahıdır: Bir \(\beta_j\) əmsalı müsbət olduqda, digər dəyişənlər sabit saxlanmaqla müvafiq dəyişəndə artım adoption log-odds ilə müsbət əlaqəlidir. Əmsal mənfi olduqda əlaqə əks istiqamətdədir.

Standart Logit modelində:

\[ OR=e^{\beta_j} \]

ifadəsi əmsalı odds ratio şkalasına çevirir. Mənbə Table 2-də odds ratio dərc etmədiyinə görə Verianla əmsallardan yeni OR nəticə cədvəli hazırlamır.

Tənlikdəki dəyişənlər

Asılı dəyişən \(Y\), AI əsaslı extension service istifadəçisi üçün 1, non-user üçün 0-dır.

Mənbə independent variables üçün:

\[ P\le0.05 \]

həddini statistical significance threshold kimi istifadə edir.

Ümumi Marja Nəyi Göstərir və Xalis Mənfəətlə Eyni Şeydirmi?

Ümumi marja, ümumi gəlirdən ümumi dəyişən xərcin çıxılması ilə hesablanan qısamüddətli istehsal gəlirliliyi göstəricisidir; bu tədqiqatda \(GM=TR-TVC\) formulu istifadə edilmişdir və sabit xərclər açıq şəkildə nəzərə alınmadığı üçün ümumi marja müəssisənin bütün xərclərini əhatə edən xalis mənfəətlə eyni kəmiyyət deyil.

Tənlik (2): Gross Margin

\[ GM=TR-TVC \tag{2} \]

Burada:

• \(GM\): Gross Margin,
• \(TR\): Total Revenue,
• \(TVC\): Total Variable Cost

mənasını verir.

Mənbə metodunda TR və TVC hektar başına dəyərlər kimi müəyyən edilir.

Table 4-də variable costs altında:

• labour,
• (in)organic fertilizer,
• seed purchase,
• planting,
• herbicides,
• data cost,
• transport,
• market levies,
• pesticides

yer alır.

Land cost, depreciation, interest on fixed capital və ya digər sabit xərclər ayrıca maddələr kimi hesabatlandırılmadığından gross margin dəyərini “tam xalis müəssisə mənfəəti” kimi oxumaq düzgün deyil.

Partial productivity necə hesablandı?

Mənbə metodu əsas farm productivity ölçüsünü yield per hectare kimi izah edir; sonra bu tədqiqatdakı partial productivity-nin output-un istifadə olunan input units-ə bölünməsi ilə hesablandığını bildirir.

Table 3 isə açıq şəkildə:

\[ Productivity=\frac{A}{B} \]

quruluşundan istifadə edir.

Burada Table 3-ə görə:

• \(A\) = Mean output,
• \(B\) = Mean cost of inputs.

Beləliklə dərc edilmiş Table 3 hesablaması fiziki output / monetary input cost nisbətidir.

İstifadəçi olmayanlar üçün:

\[ \frac{259.10}{1{,}313{,}311.46}\approx0.000197 \]

və mənbə bunu 0,00019 kimi yuvarlaqlaşdırmışdır.

İstifadəçilər üçün:

\[ \frac{285.68}{1{,}256{,}388.40}\approx0.000227 \]

və mənbə bunu 0,00023 kimi vermişdir.

Bu arifmetik yoxlama yeni təcrübə nəticəsi deyil; Table 3-də dərc edilmiş A/B hesablamasının doğrulanmasıdır.

Likert məhdudiyyət şkalası necə istifadə edildi?

Maneələr 5-point Likert-type scale ilə qiymətləndirilmişdir:

• Strongly agree = 5,
• Agree = 4,
• Neutral = 3,
• Disagree = 2,
• Strongly disagree = 1.

Mənbə cutoff dəyərini:

\[ \bar{x}=3.0 \]

kimi müəyyən etmişdir.

Mənbə mean score 3,0-dan yuxarı olduqda müvafiq elementi “major challenge”, 3,0-dan aşağı olduqda isə challenge hesab etmir.

Bu təsnifatdakı “significant” sözü inferential p-value mənasında deyil. Mean-score threshold-a əsaslanan təsviri təsnifatdır.

Tədqiqatın Metodu və Nəticələri

Nümunə və məlumat quruluşu

Binary Logit nəticələri

* Mənbə Table 2 dipnotu: P≤0,05.

Mənbə model summary dəyərlərini:

\[ Pseudo\ R^2=0.618 \]

\[ -2\ Log\ Likelihood=60.234 \]

və:

\[ Wald\ Chi^2=0.000 \]

şəklində çap etmişdir.

Pseudo \(R^2\), ordinary least-squares \(R^2\) ilə eyni deyil. Buna görə “AI adoption variation-ın %61,8-i izah edildi” şəklində birbaşa şərh edilməməlidir.

Table 2-dəki mühüm riyazi hesabatlandırma fərqi

Wald statistic-in geniş istifadə olunan tək-əmsal yanaşmasında:

Tədqiqatın tapıntısı deyil, riyazi consistency check:

\[ Wald\approx \left( \frac{\beta}{SE} \right)^2 \]

əlaqəsi gözlənilir.

Məsələn, Credit Access üçün:

\[ \left( \frac{0.284}{0.139} \right)^2 \approx4.17 \]

və mənbə Wald=4,196 verir.

Cooperative Membership üçün:

\[ \left( \frac{4.766}{1.145} \right)^2 \approx17.33 \]

və mənbə Wald=17,316 verir.

Buna qarşılıq Monthly Income üçün:

\[ \left( \frac{-0.747}{0.898} \right)^2 \approx0.692 \]

olduğu halda mənbə Wald=3,785 yazır. Buna görə eyni sətrin coefficient, standard error və Wald dəyərləri birlikdə riyazi baxımdan uyğun gəlmir.

Smartphone Ownership üçün dərc edilmiş 21,180 əmsalı və 6962 standard error son dərəcə aşağı coefficient/SE nisbəti verir; mənbə bu qeyri-adi qiymətləndirmənin səbəbini açıqlamır.

Mənbə tərəfindən əhəmiyyətli hesab edilən dəyişənlər

Marital Status: β=0,842 və müsbət istiqamətdədir.

Monthly Income: β=−0,747 və mənfi istiqamətdədir. Mənbə bu nəticəni aşağı gəlirli fermerlərin pulsuz və ya aşağı xərcli rəqəmsal məsləhətə daha çox yönələ bilməsi ehtimalı ilə müzakirə edir. Bu mexanizm birbaşa eksperimental olaraq sınaqdan keçirilməmiş müəllif şərhidir.

Credit Access: β=0,284 və müsbətdir.

Cooperative Membership: β=4,766 ilə Table 2-də güclü müsbət əmsaldır.

Training on AI & IoT: β=4,550 ilə güclü müsbət əmsaldır.

Sex, Age, Farming Experience, Years of Education və Smartphone Ownership sətirlərində mənbə ulduz işarəsi vermir.

İstifadəçilərlə istifadəçi olmayanların partial productivity müqayisəsi

Table 3-də istifadəçilərin A/B productivity ratio-su daha yüksəkdir. Lakin tədqiqat istifadəçiləri non-users-a randomizə etməyib və bu iki nisbət arasındakı fərq üçün inferential test hesabatlandırmayıb.

Gəlirlilik müqayisəsi

Mənbə tərəfindən bildirilən gross-margin artımı:

\[ \frac{920033.21-609236.40}{609236.40} \times100 \approx51.0\% \]

olur.

Bu arifmetika mənbədə göstərilən %51 fərqlə uyğundur.

Table 4-də non-user gross margin üçün:

\[ 1{,}922{,}547.91- 1{,}313{,}311.46 = 609{,}236.45 \]

alınsa da mənbə cədvəli ₦609.236,40 çap edir. Aradakı ₦0,05 fərq çox kiçikdir və yuvarlaqlaşdırma/typesetting mənşəli ola bilər; lakin Verianla bunu səssiz şəkildə “düzəldilmiş” mənbə dəyəri kimi təqdim etmir.

265,88 və 285,68 kg/ha fərqi

Profitability prose istifadəçilərin yield dəyərini 265,88 kg/ha kimi yazır.

Lakin Table 3 istifadəçi mean output dəyərini 285,68, Table 4 istifadəçi Qty/Ha dəyərini də açıq şəkildə 285,68 kg/ha kimi verir.

Buna görə 265,88 yalnız Results prose-dakı mənbədaxili fərqli dəyər kimi qorunmalı; cədvəl dəyərləri səssiz şəkildə dəyişdirilməməlidir.

AI əsaslı məsləhət xidmətlərinin istifadəsindəki məhdudiyyətlər

Ən yüksək mean score aşağı rəqəmsal savadlılıq üçün 3,86-dır. İkinci və üçüncü yerlərdə faydalar barədə məlumatlılığın aşağı olması 3,69 və texniki dəstəyin qeyri-kafiliyi 3,67-dir.

Mənbənin cutoff qaydasına görə 3,0-dan yuxarı dəyərlər major challenge hesab edilmişdir.

“Unclear Return on Investment” tam 3,00 dəyərindədir. Metod “below 3.0” və “above 3.0” fərqləndirməsi apardığı üçün tam bərabərliyin hansı sinfə daxil olduğu açıq şəkildə göstərilmir.

İstifadəçilərlə İstifadəçi Olmayanlar Arasındakı Fərq AI-nin Səbəb Təsirini Sübut Edirmi?

Xeyr. Tədqiqat istifadəçilərlə istifadəçi olmayanlar arasında output, input cost, partial productivity və gross margin fərqləri göstərir; lakin iştirakçılar AI istifadəsinə randomizə edilməyib, başlanğıc xüsusiyyətləri üçün causal matching və ya treatment-effect modeli tətbiq olunmayıb və iqtisadi fərqlərə dair ayrıca etimad intervalı və ya əhəmiyyətlilik testi hesabatlandırılmayıb. Buna görə müşahidə olunan fərqlər AI istifadəsinin təkbaşına səbəb nəticəsi kimi qəbul edilə bilməz.

Bu şərh sərhədi xüsusilə vacibdir, çünki AI istifadəçiləri ilə non-users arasında:

• kooperativ üzvlüyü,
• AI/IoT təlimi,
• kreditə çıxış,
• ailə vəziyyəti,
• gəlir

kimi adoption ilə əlaqəli xüsusiyyətlər artıq fərqli ola bilər.

Beləliklə higher gross margin və ya higher productivity ratio AI use ilə əlaqəli müşahidəvi nəticədir; nəzarətli causal estimate deyil.

Tədqiqatın dəstəklədiyi nəticələr

• Analizə daxil edilən 144 fermerin %79,2-si AI-based extension services barədə məlumatlılıq bildirmişdir.
• %72,2 tətbiqi yüklədiyini və ya sınaqdan keçirdiyini bildirmişdir.
• %45,8 full/continued use bildirmişdir.
• İstifadə tezliyində %54,2 “never” kateqoriyasındadır.
• Mənbə Binary Logit modelində marital status, monthly income, credit access, cooperative membership və AI/IoT training-i p≤0,05 işarəli dəyişənlər kimi göstərir.
• Users qrupunda Table 3 partial productivity ratio 0,00023; non-users qrupunda 0,00019-dur.
• Users qrupunun Table 4 gross margin dəyəri ₦920.033,21; non-users qrupunun ₦609.236,40-dır.
• Mənbə gross-margin fərqini təxminən %51 kimi hesabatlandırır və bu nisbət dərc edilmiş iki gross-margin dəyəri ilə arifmetik olaraq uyğundur.
• Ən yüksək constraint mean score aşağı digital literacy üçün 3,86-dır.

Tədqiqatın birbaşa dəstəkləmədiyi nəticələr

• AI əsaslı extension service istifadəsinin təkbaşına productivity artımına səbəb olduğu sübut edilməyib.
• AI istifadəsinin təkbaşına gross margin-i %51 artırdığı səbəb baxımından göstərilməyib.
• ChatGPT-nin Plantix və ya başqa platformadan daha təsirli olduğu müqayisəli şəkildə sınaqdan keçirilməyib.
• AI platformalarının disease diagnosis dəqiqliyi ölçülməyib.
• İstifadə olunan AI sistemlərinin model accuracy, precision, recall və ya oxşar texniki performans metrikləri araşdırılmayıb.
• AI tövsiyələrinin agronomic dəqiqliyi müstəqil ekspert qiymətləndirməsi ilə ölçülməyib.
• Tədqiqat bütün Enugu State fermerlərinin və ya Nigeriyadakı bütün gənc fermerlərin milli təmsilçi nümunəsi deyil.
• Kəsişən dizayn uzunmüddətli adoption persistence və ya zaman ərzində məhsuldarlığa təsiri göstərmir.
• Likert mean score-un 3-dən yuxarı olması inferential statistical significance demək deyil.

Mənbədəki mühüm hesabatlandırma fərqləri

Əsas metodoloji məhdudiyyətlər

Kəsişən dizayn: Eyni fermerlərin AI-dən əvvəlki və sonrakı istehsal göstəriciləri zaman ərzində izlənməyib.

Self-reported adoption: Məlumatlılıq, istifadə və istifadə tezliyi strukturlaşdırılmış sorğuya əsaslanır.

144 analiz edilmiş cavab: Başlanğıcda 150 respondent seçilmiş, altı sorğu analizdən kənarda qalmışdır.

Observational group comparison: Users və non-users randomizə edilməyib.

Economic difference significance: Productivity və gross-margin qrup fərqləri üçün confidence interval və ya ayrıca significance test hesabatlandırılmır.

Binary Logit hesabatlandırma fərqi: Monthly Income sətrindəki β, SE və Wald birlikdə uyğun deyil.

Smartphone coefficient: 21,180 əmsalına qarşı 6962 standard error hesabatlandırılmış və mənbə bunun səbəbini açıqlamamışdır.

Wald Chi² etiketi: Model xülasəsindəki “Wald Chi²: 0.000” ifadəsinin statistic, yoxsa significance dəyəri olduğu aydın deyil.

Platforma faizlərinin denominator-u: App-type və purpose-of-use faizlərinin multiple response olub-olmadığı açıq şəkildə göstərilmir.

AI sistemlərinin texniki dəqiqliyi: Model və ya advisory-system accuracy qiymətləndirməsi aparılmayıb.

Tətbiq baxımından mənası

Mənbə nəticələri yalnız AI texnologiyasının mövcud olmasının müntəzəm istifadə üçün yetərli olmadığını göstərir. Tədqiqat xüsusilə digital literacy, technical support, cooperative participation, access to credit, local-language accessibility, internet və power infrastructure kimi insan və infrastruktur amillərinin birlikdə əhəmiyyət daşıdığını vurğulayır.

Müəlliflər digital-literacy initiatives-ın gücləndirilməsini, cooperative platforms-ın dəstəklənməsini, local-language digital platforms hazırlanmasını, technical-support sistemlərinin genişləndirilməsini və rural internet/power infrastructure investisiyalarını tövsiyə edirlər.

Bu siyasət tövsiyələri tədqiqatın müşahidəvi nəticələrinə və ədəbiyyat müzakirəsinə əsaslanır; müvafiq müdaxilələrin təsiri bu tədqiqatda randomizə edilmiş şəkildə sınaqdan keçirilməyib.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Use of Artificial Intelligence-Based Extension Services among Nsukka Yellow Pepper Youth Farmers in Enugu State, Nigeria.

PDF Cite-as müəllif sırası: Emmanuel Ejiofor Omeje, Ikenna Charles Ukwuaba, Chris Nnamdi Onyekwe, Mercy Nkiruka Efita, Benson Uwakwe Asogwa, Johnpaul Tochukwu Offorma.

Cari rəsmi web metadata sırası: Chris Nnamdi Onyekwe, Ejiofor Emmanuel Omeje, Ikenna Charles Ukwuaba, Mercy Nkiruka Efita, Benson Uwakwe Asogwa, Johnpaul Tochukwu Offorma.

Müəllif sırası qeydi: PDF-nin “Cite as” sətri ilə cari rəsmi jurnal metadata sırası fərqlidir. Açıqlanmış correction notice tapılmadığı üçün fərq gizlədilməyib.

Bərabər töhfə: Equal-contribution bəyanatı yoxdur.

Məsul müəllif: Chris Nnamdi Onyekwe.

Qurum: Department of Agricultural Economics, University of Nigeria, Nsukka, Enugu, Nigeria.

Jurnal: Journal of Agricultural Extension.

İnstitusional nəşr quruluşu: Agricultural Extension Society of Nigeria (AESON).

Cild / nömrə: 30(4).

Səhifələr: 23–35.

Nəşr ili: 2026.

PDF DOI: 10.4314/jae.v30i4.3.

Cari rəsmi DOI: 10.4314/bddmn517.

DOI qeydi: Yüklənmiş PDF ilə cari rəsmi məqalə qeydi fərqli DOI göstərir.

Date Submitted: 02 April 2026.

Date of First Request for Revision: 07 May 2026.

Date of Revisions: 23 May 2026, 06 June 2026, 16 July 2026, 17 July 2026, 18 July 2026 və 11 September 2026.

Date Accepted: 22 September 2026.

PDF Date Published: 30 October 2026.

Cari rəsmi online publication date: 29 October 2026.

Mənbə növü: Research Article; primary cross-sectional field-survey study.

Rəy prosesi: Journal of Agricultural Extension rəsmi siyasətinə görə double-blind peer review tətbiq edir.

Preprint: Mənbə PDF-də və ya cari rəsmi məqalə qeydində ayrıca preprint göstərilmir.

Lisenziya: Cari rəsmi qeyd Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0) göstərir. PDF üst başlığında da CC BY-NC-ND yazılıb; PDF-dəki sonrakı mətn lisenziya sətri isə NoDerivatives elementini sözlə ayrıca göstərmir.

Tədqiqat bölgəsi: Nsukka Agricultural Zone, Enugu State, Nigeria.

LGA-lar: Nsukka, Igbo-Etiti və Uzo-Uwani.

Başlanğıc nümunə: 150 youth pepper farmers.

Paylanma: Nsukka 48; Igbo-Etiti 49; Uzo-Uwani 53.

Analiz nümunəsi: 144 tamamlanmış questionnaire; %96 response rate.

Məlumat toplama: Structured questionnaire.

Adoption analysis: Percentages və Binary Logistic Regression.

Economic analysis: Partial productivity və Gross Margin.

Constraint analysis: 5-point Likert-type scale; cutoff = 3,0.

Binary dependent variable: AI-based extension service user = 1; non-user = 0.

Predictors: Sex, Age, Marital Status, Monthly Household Income, Credit Access, Farming Experience, Educational Attainment, Smartphone Ownership, AI-use Training, Cooperative Membership.

Statistical significance threshold: P≤0,05.

Pseudo R²: 0,618.

−2 Log Likelihood: 60,234.

Mənbə model-summary etiketi: “Wald Chi²: 0.000”; source meaning is not sufficiently clarified.

Məlumatlılıq: %79,2.

AI app yükləmə: %72,2.

Full / continued use: %45,8.

Never use frequency: %54,2.

Ən yüksək platforma nisbəti: ChatGPT %42,36.

Ən yüksək istifadə məqsədi: General advice %30,56.

Binary Logit-də ulduzlu dəyişənlər: Marital Status 0,842; Monthly Income −0,747; Credit Access 0,284; Cooperative Membership 4,766; Training on AI & IoT 4,550.

Table 3 productivity: Non-users 0,00019; Users 0,00023.

Table 4 Qty/Ha: Non-users 259,10 kg; Users 285,68 kg.

Mənbə prose Qty/Ha fərqi: Results text users üçün 265,88 kg/Ha yazır; Table 3 və Table 4 285,68 verir.

Gross Margin: Non-users ₦609.236,40; Users ₦920.033,21.

Mənbə gross-margin fərqi: Təxminən %51.

Ən yüksək constraint: Low digital literacy, mean=3,86, SD=1,362.

İkinci: Low awareness of benefits, mean=3,69, SD=1,376.

Üçüncü: Inadequate technical support, mean=3,67, SD=0,968.

Etik təsdiq: Strategic Contacts, Ethics and Publications Directorate, University of Nigeria, Nsukka; UNN/EC/NSTA/FAG-AGC-STR/53-11-SEPT/2026.

Informed Consent: Written informed consent alınmışdır.

Data Availability: Data are available from the corresponding author upon reasonable request.

Funding: Public, commercial və ya not-for-profit funding agency-dən specific grant alınmayıb.

Competing Interests: Müəlliflər maraqlar toqquşmasının olmadığını bəyan edirlər.

AI Use Declaration: Müəlliflər generative AI tools istifadə etmədiklərini; yalnız grammar, spelling, punctuation, readability və language quality üçün AI-assisted language-editing software istifadə etdiklərini bildirirlər.

Acknowledgement: Müəlliflər məlumat toplamaqda kömək edən enumerators-a təşəkkür edirlər.

Müəllif töhfələri: Chris Nnamdi Onyekwe: conception/design, data-collection instrument development, interpretation, manuscript revision (%20). Emmanuel Ejiofor Omeje: conception/design, data collection, interpretation, first draft və revision (%25). Ikenna Charles Ukwuaba: interpretation, first draft, manuscript development, data analysis və revision (%20). Mercy Nkiruka Efita: manuscript development, data collection, interpretation (%15). Benson Uwakwe Asogwa: manuscript development, data collection, interpretation (%10). Johnpaul Tochukwu Offorma: data collection, literature review və revision (%10).

Əsas metodoloji məhdudiyyətlər: Kəsişən müşahidəvi dizayn; 150 nəfər seçilsə də 144 respondent-in analiz edilməsi; users/non-users üçün random assignment olmaması; productivity və profitability fərqləri üçün ayrıca inferential significance test hesabatlandırılmaması; Monthly Income coefficient–SE–Wald uyğunsuzluğu; Smartphone Ownership estimate-də çox böyük standard error; “Wald Chi²: 0.000” etiketinin qeyri-müəyyənliyi; platforma və istifadə-məqsədi faizlərinin denominator quruluşunun ətraflı açıqlanmaması.