Risk management in the adoption of smart farming technologies by rural farmers
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
Smart farming is a feasible solution to help farmers effectively and sustainably manage the potential threats and risks those traditional farmers face, such as product quality, increased production costs, the environment, climate change, natural catastrophes, pests, and inferior goods. Using a survey research design, this research examined smart farming adoption and risk management models by combining the Technology Acceptance Model (TAM) and the Innovation Diffusion Theory (IDT). The research sampled 400 farmers who are members of community enterprises in the northeastern region of Thailand. Data was collected using a questionnaire and analyzed using a statistical package program in four steps: confirmatory factor analysis, path analysis, structural equation model analysis (SEM), and Sobel's test. The findings revealed that government support variables had the most significant influence by adopting smart farming to risk management. Based on the research results, the government can apply this model to create strategies to encourage farmers to adopt smart farming and increase the production efficiency of agricultural products. The farmer can manage the risks of smart farming, which leads to sustainable smart farming and is useful for further academic acceptance and risk management studies. Furthermore, this study contributes to the existing literature on combining TAM and IDT in model adoption and risk management. The limitations include the small sample size adopted and the limited coverage area for the study, which restricts the generalization of the findings. However, the findings offer a glimpse into the benefits of smart farming.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle