Rule-Based Engine for Automatic Allocation of Smallholder Dairy Producers in Preidentified Production Clusters
Notice bibliographique
Résumé
Smallholder dairy producers account for around half of all African livestock ventures; nevertheless, they face challenges in producing more milk due to an insufficient framework and infrastructure to maximize their output. Smallholder dairy producers in this scenario use a variety of tactics to boost milk output. However, the attempts need multiple heuristics, time, and financial investment. Furthermore, because of a lack of extension officers, smallholder dairy producers become trapped in failure cycles, unsuccessful attempts, and a diminished motivation to continue farming. Therefore, the interventions were more straightforward as smallholder dairy producers with comparable characteristics grouped. This research aimed to create a rule-based engine that automatically assigns smallholder dairy producers to predefined clusters. About 78 stakeholders were interviewed, including 69 smallholder dairy producers and 9 extension officers from Meru-Arusha, Tanzania. The 10 production features and 6 predefined clusters were adopted from the previous study. Therefore, a rule-based engine used the selected 10 production features. As a result, the rule-based engine automatically assigns the smallholder dairy producers to their respective clusters. Therefore, smallholder dairy producers share their farming skills and experience to increase milk output through these clusters. Furthermore, extension officers in the system provide timely assistance to smallholder dairy producers with farming concerns.
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 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».