Жасалма интеллектке негизделген айыл чарба кеңеш берүү кызматы, машина үйрөнүүсү, табигый тилди иштетүү жана маалымат аналитикасы сыяктуу жасалма интеллект ыкмаларын мобилдик тиркеме, chatbot же башка санариптик каналдар аркылуу колдонуп, фермерлерге айыл чарба чечимдерин кабыл алууда колдоо көрсөтүүгө багытталган санариптик кеңеш берүү кызматы. Бул изилдөө Нигериянын Enugu State аймагындагы Nsukka Agricultural Zone-да Nsukka Yellow Pepper (NYP) өстүргөн жаш фермерлер бул кызматтарды канчалык деңгээлде билерин жана колдонорун; колдонуу чечиминин социалдык-экономикалык аныктоочуларын; колдонуучулар менен колдонбогондордун ортосундагы өндүрүш, чыгым жана дүң маржа айырмаларын; ошондой эле колдонууга тоскоол болгон социалдык-техникалык кыйынчылыктарды изилдейт. Башында 150 фермер тандалмага алынган, 144 толтурулган сурамжылоо талдоого киргизилген. Булак %79,2 маалымдуулукту, %72,2 тиркемени жүктөө/сынап көрүүнү жана %45,8 толук же улантылган колдонууну билдирет.

Binary Logit жыйынтыктарында marital status, monthly income, credit access, cooperative membership жана AI/IoT training өзгөрмөлөрү булак Table 2 ичинде p≤0,05 деңгээлинде маанилүү деп көрсөтүлгөн. Эң чоң оң коэффициенттер cooperative membership үчүн 4,766 жана AI/IoT training үчүн 4,550; monthly income коэффициенти −0,747 менен терс. Бирок Table 2 ичиндеги айрым coefficient–standard error–Wald айкалыштарында булак ичиндеги шайкешсиздиктер болгондуктан, коэффициенттердин чоңдугу этияттык менен чечмелениши керек.

Колдонуучулар тобунда Table 3 боюнча mean output 285,68, колдонбогондордо 259,10. Input-cost негизиндеги partial productivity ratio колдонуучулар үчүн 0,00023, колдонбогондор үчүн 0,00019 деп берилген. Table 4 ичинде колдонуучулардын дүң маржасы ₦920.033,21, колдонбогондордуку ₦609.236,40; булак бул айырманы болжол менен %51 өсүш катары сүрөттөйт. Бирок изилдөө рандомизацияланган эмес жана колдонуучу–колдонбогон айырмачылыктары үчүн өзүнчө causal-effect estimator же маанилүүлүк тести билдирилген эмес. Ошондуктан байкалган айырмачылыктар AI негизиндеги кеңеш берүү кызматынын өз алдынча себептик таасири катары чечмеленбеши керек.

Колдонууга тоскоол болгон эң жогорку бааланган кыйынчылыктар төмөн санариптик сабаттуулук (\(\bar{x}=3.86\)), AI негизиндеги кызматтардын пайдасы тууралуу маалымдуулуктун төмөндүгү (\(\bar{x}=3.69\)) жана жетишсиз техникалык колдоо (\(\bar{x}=3.67\)) катары билдирилген. Изилдөөнүн жалпы билдирүүсү: маалымдуулук жана алгачкы байланыш жогору болгону менен, үзгүлтүксүз колдонуу төмөнүрөөк; санариптик көндүм, билим, кооперативдик түзүмдөр, каржылоого жетүү жана техникалык колдоо колдонуу үлгүлөрү менен байланыштуу.

Жасалма Интеллектке Негизделген Айыл Чарба Кеңеш Берүү Кызматы Деген Эмне?

Жасалма интеллектке негизделген айыл чарба кеңеш берүү кызматы фермердин өндүрүш чечимдерин колдоо үчүн жасалма интеллект жана маалымат иштетүү ыкмаларын колдонуп, ооруну аныктоо, аба ырайы, өндүрүш каражаттарын колдонуу, базар маалыматы же жалпы айыл чарба боюнча кеңеш сыяктуу маалыматтарды санариптик каналдар аркылуу жеткирген кеңеш берүү ыкмасы; бул изилдөөдө түшүнүк белгилүү бир AI системасы менен гана чектелбестен, ChatGPT, WhatsApp Meta AI, Plantix, AgriBot жана Hello Tractor сыяктуу ар түрдүү платформаларды колдонуу бирге изилденген.

Nsukka Yellow Pepper деген эмне?

Nsukka Yellow Pepper (NYP), изилдөөдө Capsicum chinense деп аныкталган жана Nsukka Agricultural Zone менен байланыштырылган жергиликтүү сары калемпир сорту. Булак NYP өзгөчө жыты, түсү, даамы жана азыктык касиеттери үчүн аймакта экономикалык жана айыл чарбалык мааниге ээ экенин белгилейт.

Изилдөөнүн кириш бөлүгү адегенде жалпы pepper өндүрүшү жөнүндө сөз кылып жатып Capsicum annuum L. аталышын колдонот, кийин изилдөөнүн негизги продуктусу болгон Nsukka Yellow Pepper-ди Capsicum chinense деп аныктайт. Verianla бул эки таксономиялык түшүнүктү бири-бирине өзгөртпөйт; изилдөөнүн максаттуу продуктусу үчүн булакта колдонулган NYP = Capsicum chinense дал келүүсүн сактайт.

Эмне үчүн AI негизиндеги кеңеш берүү кызматтары изилденген?

Булак салттуу өндүрүш практикаларына көз карандылыкты, өз убагында жана ишенимдүү маалыматка жетүүнүн чектелишин жана заманбап айыл чарба технологияларын аз колдонууну калемпир өндүрүшүндөгү көйгөйлөрдүн катарына кошот.

AI негизиндеги санариптик кызматтардын максаттуу колдонуу багыттарына:

• зыянкечтерди жана ооруларды аныктоо,
• топурак жана суу башкаруу,
• аба ырайын болжолдоо,
• өндүрүш каражаттарын оптималдаштыруу,
• базар маалыматы,
• жалпы айыл чарба кеңеши

кирет.

Булак ошондой эле APWEN жана University of Nigeria, Nsukka тарабынан аймакта ооруларды эрте аныктоо, суу башкаруу жана санариптик extension services сыяктуу AI колдонмолору иштелип чыккан же колдонууга берилген контекстти сүрөттөйт. Бирок бул изилдөөнүн өзү ошол AI системаларынын техникалык тактыгын өлчөгөн машина үйрөнүүсү benchmark изилдөөсү эмес.

Diffusion of Innovations теориясы изилдөөдө кандай кызмат аткарат?

Изилдөөнүн теориялык негизинде Rogersтын Diffusion of Innovations (DOI) ыкмасы колдонулат. Булак бул теорияда technology adoption relative advantage, compatibility, complexity, trialability жана observability сыяктуу касиеттер менен түшүндүрүлүшү мүмкүн экенин белгилейт.

Бул түшүнүктөр Кыргызча болжол менен төмөнкү маанилерди берет:

• Relative advantage: жаңы технологиянын учурдагы ыкмага салыштырмалуу кабыл алынган артыкчылыгы.
• Compatibility: технологиянын колдонуучунун муктаждыктары жана учурдагы практикалары менен шайкештиги.
• Complexity: технологияны үйрөнүү же колдонуу канчалык кыйын деп кабыл алынары.
• Trialability: технологияны толук өздөштүрүүдөн мурда сынап көрүү мүмкүнчүлүгү.
• Observability: технологиянын натыйжаларын колдонуучу же айланасындагылар көрө ала тургандыгы.

Бул изилдөө DOI өзгөрмөлөрүнүн баарын өзүнчө түзүмдүк моделде өлчөбөйт; теория adoption жүрүм-турумун түшүндүргөн концептуалдык негиз катары колдонулат.

Изилдөө аймагы

Изилдөө Enugu State ичиндеги Nsukka Agricultural Zone аймагында жүргүзүлгөн. Zone үч Local Government Area-дан турат:

• Nsukka,
• Igbo-Etiti,
• Uzo-Uwani.

Булак координаттардын аралыгын 7°20′1″E–7°29′1″E узундуктар жана 6°54′1″N–7°0′1″N кеңдиктер катары берет.

Үлгү кантип түзүлгөн?

Булак “multistage sampling” деп атаган үлгү тандоо процессинде үч LGAнын баары изилдөөгө киргизилген. Андан кийин registered farmer тизмелеринен proportional random sampling аркылуу:

• Nsukkaдан 48,
• Igbo-Etitiден 49,
• Uzo-Uwaniден 53

жаш калемпир фермери тандалган.

Жалпы баштапкы үлгү:

\[ 48+49+53=150 \]

адамды түзөт.

Таратылган 150 сурамжылоонун ичинен 144 сурамжылоо толтурулуп, талдоого алынган:

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

Ошондуктан Table 1 ачык түрдө \(n=144\) деп билдирет.

Маалымдуулук жана колдонуу көрсөткүчтөрү

Колдонулган AI жана санариптик платформалар

Бул үлүштөрдүн суммасы %100 эмес. Булак questionnaire түзүлүшүнүн бул бөлүгүндө multiple-response тандоосуна уруксат берилген-берилбегенин же denominator бир гана users экенин так аныктабайт. Ошондуктан үлүштөр бири-бирин жокко чыгарган категориялар деп кабыл алынбайт.

AI кызматтарын колдонуу максаттары

Булак таблицадагы тиешелүү сапты “Record mining” деп жазат; анын алдындагы Results prose ошол эле %11,81 маанини “record-keeping” деп түшүндүрөт. Эки сөз айкашы үнсүз түрдө бир терминге бириктирилген эмес.

Колдонуу жыштыгы

Бул беш категориянын суммасы %100. Daily + Weekly + Monthly + Rarely суммасы да %45,8 болуп, Table 1 ичиндеги full/continued use пайызына сандык жактан барабар.

Binary Logit Модели Бул Изилдөөдө Эмнени Өлчөйт?

Binary Logit модели NYP өстүргөн жаш фермердин AI негизиндеги extension service колдонуучусу болуу ыктымалдыгы жыныс, жаш, үй-бүлөлүк абал, киреше, кредитке жетүү, дыйканчылык тажрыйбасы, билим, smartphone ownership, AI/IoT training жана cooperative membership сыяктуу он түшүндүрүүчү өзгөрмө менен кандай байланышта экенин log-odds шкаласында моделдейт; модель байкоочу байланыштарды баалайт жана өз алдынча себептик таасирди далилдебейт.

Теңдеме (1): Binary Logit

Булак моделди төмөнкүдөй берет:

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

Формула эмнени эсептейт? Формула adoption probability \(P_i\)ни түздөн-түз эмес, adoption oddsтун натуралдык логарифмин моделдейт.

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

Изилдөөнүн жаңы табылгасы эмес, формуланын математикалык түшүндүрмөсү: Эгер \(\beta_j\) коэффициенти оң болсо, башка өзгөрмөлөр туруктуу болгондо тиешелүү өзгөрмөнүн өсүшү adoption log-odds менен оң байланышта. Коэффициент терс болсо, байланыш тескери багытта.

Стандарттуу Logit моделинде:

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

сөз айкашы коэффициентти odds ratio шкаласына өткөрөт. Булак Table 2 ичинде odds ratio жарыялаган эмес, ошондуктан Verianla коэффициенттерден жаңы OR жыйынтык таблицасын түзбөйт.

Теңдемедеги өзгөрмөлөр

Көз каранды өзгөрмө \(Y\), AI негизиндеги extension service колдонуучусу үчүн 1, non-user үчүн 0.

Булак independent variables үчүн:

\[ P\le0.05 \]

чегин statistical significance threshold катары колдонот.

Дүң Маржа Эмнени Көрсөтөт жана Таза Пайда Менен Бирдейби?

Дүң маржа жалпы кирешеден жалпы өзгөрмө чыгымды алып салуу аркылуу эсептелген кыска мөөнөттүү өндүрүш кирешелүүлүгүнүн көрсөткүчү; бул изилдөөдө \(GM=TR-TVC\) формуласы колдонулган жана туруктуу чыгымдар ачык эсепке алынбагандыктан дүң маржа ишкананын бардык чыгымдарын камтыган таза пайда менен бирдей чоңдук эмес.

Теңдеме (2): Gross Margin

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

Бул жерде:

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

дегенди билдирет.

Булак ыкмасы TR жана TVCни гектарга карата маанилер катары аныктайт.

Table 4 ичинде variable costs бөлүгүндө:

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

камтылган.

Land cost, depreciation, interest on fixed capital же башка туруктуу чыгымдар өзүнчө позиция катары билдирилбегендиктен gross margin маанисин “толук таза ишкана пайдасы” деп окуу туура эмес.

Partial productivity кантип эсептелген?

Булак ыкмасы негизги farm productivity өлчөмүн yield per hectare деп түшүндүрөт; андан кийин бул изилдөөдөгү partial productivity outputту колдонулган input unitsке бөлүү менен эсептелгенин билдирет.

Table 3 болсо ачык түрдө:

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

түзүлүшүн колдонот.

Бул жерде Table 3 боюнча:

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

Демек, жарыяланган Table 3 эсеби физикалык output / monetary input cost катышы.

Колдонбогондор үчүн:

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

жана булак муну 0,00019 деп тегеректеген.

Колдонуучулар үчүн:

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

жана булак муну 0,00023 деп берген.

Бул арифметикалык текшерүү жаңы эксперименттик жыйынтык эмес; Table 3 ичинде жарыяланган A/B эсебинин текшерилиши.

Likert чектөө шкаласы кантип колдонулган?

Тоскоолдуктар 5-point Likert-type scale менен бааланган:

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

Булак cutoff маанисин:

\[ \bar{x}=3.0 \]

деп белгилеген.

Булак mean score 3,0 маанисинен жогору болсо тиешелүү пунктту “major challenge” деп эсептейт, 3,0 маанисинен төмөн болсо challenge деп баалабайт.

Бул классификациядагы “significant” сөзү inferential p-value маанисинде эмес. Бул mean-score thresholdка негизделген сүрөттөмөлүк классификация.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Үлгү жана маалымат түзүлүшү

Binary Logit жыйынтыктары

* Булак Table 2 эскертүүсү: P≤0,05.

Булак model summary маанилерин:

\[ Pseudo\ R^2=0.618 \]

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

жана:

\[ Wald\ Chi^2=0.000 \]

түрүндө басып чыгарган.

Pseudo \(R^2\) ordinary least-squares \(R^2\) менен бирдей эмес. Ошондуктан аны “AI adoption variationдын %61,8 бөлүгү түшүндүрүлдү” деп түздөн-түз чечмелөөгө болбойт.

Table 2 ичиндеги маанилүү математикалык отчет айырмасы

Wald statisticтин кеңири колдонулган бир коэффициенттүү ыкмасында:

Изилдөөнүн табылгасы эмес, математикалык consistency check:

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

байланышы күтүлөт.

Мисалы, Credit Access үчүн:

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

жана булак Wald=4,196 берет.

Cooperative Membership үчүн:

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

жана булак Wald=17,316 берет.

Ал эми Monthly Income үчүн:

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

болгонуна карабастан булак Wald=3,785 деп жазат. Демек, ошол эле саптагы coefficient, standard error жана Wald маанилери бирге математикалык жактан шайкеш эмес.

Smartphone Ownership үчүн жарыяланган 21,180 коэффициент жана 6962 standard error да өтө төмөн coefficient/SE катышын берет; булак бул адаттан тыш баалоонун себебин түшүндүрбөйт.

Булак тарабынан маанилүү деп табылган өзгөрмөлөр

Marital Status: β=0,842 жана оң багытта.

Monthly Income: β=−0,747 жана терс багытта. Булак бул жыйынтыкты кирешеси төмөн фермерлердин акысыз же арзан санариптик кеңешке көбүрөөк кайрылышы мүмкүн деген ыктымалдык менен талкуулайт. Бул механизм түз эксперимент аркылуу текшерилбеген автордук түшүндүрмө.

Credit Access: β=0,284 жана оң.

Cooperative Membership: β=4,766 менен Table 2 ичинде күчтүү оң коэффициент.

Training on AI & IoT: β=4,550 менен күчтүү оң коэффициент.

Sex, Age, Farming Experience, Years of Education жана Smartphone Ownership саптарында булак жылдыз белгисин бербейт.

Колдонуучулар менен колдонбогондордун partial productivity салыштыруусу

Table 3 ичинде колдонуучулардын A/B productivity ratioсу жогору. Бирок изилдөө колдонуучуларды non-users тобуна рандомизациялаган эмес жана бул эки катыштын айырмасы үчүн inferential test билдирилген эмес.

Кирешелүүлүктү салыштыруу

Булак билдирген gross-margin өсүшү:

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

болот.

Бул арифметика булакта көрсөтүлгөн %51 айырмага шайкеш келет.

Table 4 ичинде non-user gross margin үчүн:

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

алынса да, булак таблицасы ₦609.236,40 деп басат. Арасындагы ₦0,05 айырма өтө кичине жана тегеректөө/typesetting менен байланыштуу болушу мүмкүн; бирок Verianla муну үнсүз “оңдолгон” булак мааниси катары бербейт.

265,88 жана 285,68 kg/ha айырмасы

Profitability prose колдонуучулардын yield маанисин 265,88 kg/ha деп жазат.

Бирок Table 3 колдонуучунун mean output маанисин 285,68, Table 4 болсо колдонуучунун Qty/Ha маанисин ачык түрдө 285,68 kg/ha деп берет.

Ошондуктан 265,88 Results proseдеги булак ичиндеги башка маани катары гана сакталууга тийиш; таблица маанилери үнсүз өзгөртүлбөшү керек.

AI негизиндеги кеңеш берүү кызматтарын колдонуудагы чектөөлөр

Эң жогорку mean score төмөн санариптик сабаттуулук үчүн 3,86. Экинчи жана үчүнчү орунда пайдалар тууралуу маалымдуулуктун төмөндүгү 3,69 жана техникалык колдоонун жетишсиздиги 3,67 турат.

Булактын cutoff эрежеси боюнча 3,0 маанисинен жогорку маанилер major challenge деп кабыл алынган.

“Unclear Return on Investment” так 3,00 маанисине ээ. Ыкма “below 3.0” жана “above 3.0” айырмасын колдонгондуктан, так теңдик кайсы класска кирери ачык көрсөтүлгөн эмес.

Колдонуучулар Менен Колдонбогондордун Айырмасы AIнин Себептик Таасирин Далилдейби?

Жок. Изилдөө колдонуучулар менен колдонбогондордун ортосунда output, input cost, partial productivity жана gross margin айырмаларын көрсөтөт; бирок катышуучулар AI колдонууга рандомизацияланган эмес, баштапкы өзгөчөлүктөр үчүн causal matching же treatment-effect модели колдонулган эмес жана экономикалык айырмаларга өзүнчө ишеним аралыгы же маанилүүлүк тести билдирилген эмес. Ошондуктан байкалган айырмалар AI колдонуунун өз алдынча себептик натыйжасы катары кабыл алынбайт.

Бул чечмелөө чеги өзгөчө маанилүү, анткени AI колдонуучулары менен non-users ортосунда:

• кооперативге мүчөлүк,
• AI/IoT окутуусу,
• кредитке жетүү,
• үй-бүлөлүк абал,
• киреше

сыяктуу adoption менен байланышкан өзгөчөлүктөр башынан эле айырмаланышы мүмкүн.

Демек higher gross margin же higher productivity ratio AI use менен байланышкан байкоочу жыйынтык; көзөмөлдөнгөн causal estimate эмес.

Изилдөө колдогон жыйынтыктар

• Талдоого алынган 144 фермердин %79,2 бөлүгү AI-based extension services жөнүндө маалымдуулугун билдирген.
• %72,2 тиркемени жүктөгөнүн же сынап көргөнүн билдирген.
• %45,8 full/continued use билдирген.
• Колдонуу жыштыгында %54,2 “never” категориясында.
• Булак Binary Logit моделинде marital status, monthly income, credit access, cooperative membership жана AI/IoT training өзгөрмөлөрүн p≤0,05 менен белгиленген деп көрсөтөт.
• Users тобунда Table 3 partial productivity ratio 0,00023; non-users тобунда 0,00019.
• Users тобунун Table 4 gross margin мааниси ₦920.033,21; non-users тобунуку ₦609.236,40.
• Булак gross-margin айырмасын болжол менен %51 деп билдирет жана бул көрсөткүч жарыяланган эки gross-margin мааниси менен арифметикалык жактан шайкеш.
• Эң жогорку constraint mean score төмөн digital literacy үчүн 3,86.

Изилдөө түздөн-түз колдобогон жыйынтыктар

• AI негизиндеги extension service колдонуунун өзү productivity өсүшүнө себеп болгону далилденген эмес.
• AI колдонуунун өзү gross marginди %51 көбөйткөнү себептик жактан көрсөтүлгөн эмес.
• ChatGPT Plantix же башка платформадан натыйжалуураак экени салыштырмалуу текшерилген эмес.
• AI платформаларынын disease diagnosis тактыгы өлчөнгөн эмес.
• Колдонулган AI системаларынын model accuracy, precision, recall же окшош техникалык көрсөткүчтөрү изилденген эмес.
• AI сунуштарынын agronomic тактыгы көз карандысыз эксперттик баалоо менен өлчөнгөн эмес.
• Изилдөө бардык Enugu State фермерлеринин же Нигериядагы бардык жаш фермерлердин улуттук өкүлчүлүктүү үлгүсү эмес.
• Кесилиштик дизайн узак мөөнөттүү adoption persistence же убакыттагы түшүмдүүлүк таасирин көрсөтпөйт.
• Likert mean score маанисинин 3 көрсөткүчүнөн жогору болушу inferential statistical significance дегенди билдирбейт.

Булактагы маанилүү отчет айырмачылыктары

Негизги методологиялык чектөөлөр

Кесилиштик дизайн: Ошол эле фермерлердин AIге чейинки жана кийинки өндүрүш көрсөткүчтөрү убакыт ичинде көзөмөлдөнгөн эмес.

Self-reported adoption: Маалымдуулук, колдонуу жана колдонуу жыштыгы түзүмдөштүрүлгөн сурамжылоого негизделет.

144 талданган жооп: Башында 150 respondent тандалып, алты сурамжылоо талдоодон тышкары калган.

Observational group comparison: Users жана non-users рандомизацияланган эмес.

Economic difference significance: Productivity жана gross-margin топ айырмалары үчүн confidence interval же өзүнчө significance test билдирилген эмес.

Binary Logit отчет айырмасы: Monthly Income сабындагы β, SE жана Wald бирге шайкеш эмес.

Smartphone coefficient: 21,180 коэффициентке каршы 6962 standard error билдирилген жана булак мунун себебин түшүндүргөн эмес.

Wald Chi² белгиси: Модель жыйынтыгындагы “Wald Chi²: 0.000” сөзү statisticпи же significance маанисиби экени так эмес.

Платформа пайыздарынын denominatorу: App-type жана purpose-of-use пайыздары multiple response экендиги ачык көрсөтүлгөн эмес.

AI системаларынын техникалык тактыгы: Model же advisory-system accuracy баалоосу жүргүзүлгөн эмес.

Практикалык мааниси

Булак жыйынтыктары AI технологиясынын жөн гана бар болушу үзгүлтүксүз колдонуу үчүн жетишсиз экенин көрсөтөт. Изилдөө өзгөчө digital literacy, technical support, cooperative participation, access to credit, local-language accessibility, internet жана power infrastructure сыяктуу адамдык жана инфраструктуралык факторлор бирге маанилүү экенин баса белгилейт.

Авторлор digital-literacy initiativesти күчөтүүнү, cooperative platformsту колдоону, local-language digital platformsту өнүктүрүүнү, technical-support системаларын кеңейтүүнү жана rural internet/power infrastructure инвестицияларын сунушташат.

Бул саясаттык сунуштар изилдөөнүн байкоочу жыйынтыктарына жана адабият талкуусуна негизделет; тиешелүү кийлигишүүлөрдүн таасири бул изилдөөдө рандомизацияланган түрдө текшерилген эмес.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Учурдагы расмий web metadata тартиби: Chris Nnamdi Onyekwe, Ejiofor Emmanuel Omeje, Ikenna Charles Ukwuaba, Mercy Nkiruka Efita, Benson Uwakwe Asogwa, Johnpaul Tochukwu Offorma.

Авторлор тартиби жөнүндө эскертүү: PDFдеги “Cite as” сабы менен учурдагы расмий журнал metadata тартиби айырмаланат. Жарыяланган correction notice табылбагандыктан айырма жашырылган эмес.

Тең салым: Equal-contribution билдирүүсү жок.

Жооптуу автор: Chris Nnamdi Onyekwe.

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

Журнал: Journal of Agricultural Extension.

Институционалдык басылма түзүлүшү: Agricultural Extension Society of Nigeria (AESON).

Том / сан: 30(4).

Барактар: 23–35.

Жарыяланган жыл: 2026.

PDF DOI: 10.4314/jae.v30i4.3.

Учурдагы расмий DOI: 10.4314/bddmn517.

DOI эскертүүсү: Жүктөлгөн PDF менен учурдагы расмий макала жазуусу башка DOI көрсөтөт.

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 жана 11 September 2026.

Date Accepted: 22 September 2026.

PDF Date Published: 30 October 2026.

Учурдагы расмий online publication date: 29 October 2026.

Булактын түрү: Research Article; primary cross-sectional field-survey study.

Рецензиялоо: Journal of Agricultural Extension расмий саясаты double-blind peer review колдонот.

Preprint: Булак PDFде же учурдагы расмий макала жазуусунда өзүнчө preprint көрсөтүлгөн эмес.

Лицензия: Учурдагы расмий жазуу Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0) көрсөтөт. PDF жогорку башында да CC BY-NC-ND жазылган; PDFдеги кийинки тексттик лицензия сабы NoDerivatives элементин сөз менен өзүнчө көрсөтпөйт.

Изилдөө аймагы: Nsukka Agricultural Zone, Enugu State, Nigeria.

LGAлар: Nsukka, Igbo-Etiti жана Uzo-Uwani.

Баштапкы үлгү: 150 youth pepper farmers.

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

Талдоо үлгүсү: 144 толтурулган questionnaire; %96 response rate.

Маалымат чогултуу: Structured questionnaire.

Adoption analysis: Percentages жана Binary Logistic Regression.

Economic analysis: Partial productivity жана 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.

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

Маалымдуулук: %79,2.

AI app жүктөө: %72,2.

Full / continued use: %45,8.

Never use frequency: %54,2.

Эң жогорку платформа үлүшү: ChatGPT %42,36.

Эң жогорку колдонуу максаты: General advice %30,56.

Binary Logitтеги жылдыздуу өзгөрмөлөр: 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.

Булак prose Qty/Ha айырмасы: Results text users үчүн 265,88 kg/Ha деп жазат; Table 3 жана Table 4 285,68 берет.

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

Булак gross-margin айырмасы: Болжол менен %51.

Эң жогорку constraint: Low digital literacy, mean=3,86, SD=1,362.

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

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

Этикалык уруксат: 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 алынган.

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

Funding: Public, commercial же not-for-profit funding agencyден specific grant алынган эмес.

Competing Interests: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришет.

AI Use Declaration: Авторлор generative AI tools колдонбогонун; grammar, spelling, punctuation, readability жана language quality үчүн гана AI-assisted language-editing software колдонгонун билдиришет.

Acknowledgement: Авторлор маалымат чогултууга жардам берген enumeratorsга ыраазычылык билдиришет.

Авторлордун салымы: Chris Nnamdi Onyekwe: conception/design, data-collection instrument development, interpretation, manuscript revision (%20). Emmanuel Ejiofor Omeje: conception/design, data collection, interpretation, first draft жана revision (%25). Ikenna Charles Ukwuaba: interpretation, first draft, manuscript development, data analysis жана 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 жана revision (%10).

Негизги методологиялык чектөөлөр: Кесилиштик байкоочу дизайн; 150 тандалса да 144 respondent талданган; users/non-users үчүн random assignment жок; productivity жана profitability айырмалары үчүн өзүнчө inferential significance test билдирилген эмес; Monthly Income coefficient–SE–Wald шайкешсиздиги; Smartphone Ownership estimateтеги өтө чоң standard error; “Wald Chi²: 0.000” белгисинин түшүнүксүздүгү; платформа жана колдонуу-максаты пайыздарынын denominator түзүлүшү кеңири түшүндүрүлгөн эмес.