Exploring Information Seeking Behavior of Farmers’ in Information Related to Climate Change Adaptation Through ICT (CHAI)
Notice bibliographique
Résumé
In Tanzania, agriculture sector is known for employing more than 70% of the total population. Agriculture sector faces many challenges including climate change. Climate change causes low productivity in agriculture; low productivity is caused due to poor implementation of agricultural policies and strategies. This poor implementation of policies has also caused many farmers to be not competent in climate change adaptation. Over the years, provisions of agricultural advice and extension were provided by various approaches, including training and visit extension, participatory approaches, and farmers’ field schools. However, provision of agricultural advisory and extension service is inefficient. Also, in most cases the usage of most agricultural innovations and technologies developed is limited. A literature review indicates that the main reasons given by Tanzanian farmers for not using improved technology are not lack of knowledge or skill, but rather that the technologies do not contribute towards improvements (e.g., the technologies are not profitable or they imply to high risk). Thus, agricultural extension service needs to be geared towards teaching farmers how to develop innovative and cost effective technologies that are contextualized. Limited numbers of agricultural extension staff and less interactivity of Information and Communication Technologies (ICTs), such as radio and television, have been mentioned to be among the factors limiting the provision of agricultural advisory and extension services to the majority of farmers in Tanzania. The advancements in ICTs have brought new opportunities for enhancing access to agricultural advisory and extension service for climate change adaptation. In Tanzania, farmers and other actors access agricultural information from various sources such as agricultural extension workers and use of various databases from Internet Services Providers. Also there are different web – and mobile – based farmers’ advisory information systems to support conventional agricultural extension service. These systems are producing bulk amounts of data which makes it difficult for different stakeholders to make an informed decision after data analysis. This calls for the need to develop a tool for data visualization in order to understand hidden patterns from massive data. In this study, a semi-automated text classification was developed to determine the frequently asked keywords from a web and mobile based farmers’ advisory system called UshauriKilimo after being in use for more than 2 years by more than 700 farmers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».