Masa: AI-Adaptive Mobile App for Sustainable Agriculture
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobile applications have made significant positive contributions to our daily lives in recent years. They have greatly improved practices in critical sectors such as healthcare, education, and agriculture etc. The agricultural sector is under pressure to meet the ever-increasing food demand while needing to deal with lack of agricultural resources (such as water and soil) and climate change issues. There is also a need to figure out how to attract and involve young people in agriculture in order to replace aging farmers. These issues necessitate the development of new, sustainable agricultural solutions. This is the demand that Masa app is attempting to meet. This paper presents the design and implementation of an AI-adaptive mobile app for sustainable agriculture. The app is divided into two sections: the market section which creates a platform where buyers are able to connect with the farmers directly and the resource center section where the power of AI is used to give guidance to the farmers. It also has learning resources where new entrants into the Agric sector can have first-hand walk-through guides in the Agric field containing all the information they need to venture into farming any product of choice. This will help mitigate some of the challenges faced by people who are new or venturing into the agricultural sector thereby encouraging more people to enter agriculture hence its sustainability. Initial feedback on the application from researchers of human-computer interaction domain show the application's promise in closing the gap in farming knowledge among general people while highlighting some limitations and suggestion that can be considered for improving the application.
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.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle