Is agricultural digitization a reality among smallholder farmers in Africa? Unpacking farmers' lived realities of engagement with digital tools and services in rural Northern Ghana
Notice bibliographique
Résumé
Abstract Background Digital technologies are promoted as transformational for smallholders in Africa through the potential to enhance access to knowledge, increase productivity and food security. Despite the anticipations for agricultural digitalization in Africa, smallholders' engagement with digitalization is empirically underexplored. Hence, we surveyed 1565 rural farmers in Northern Ghana to explore how farmers interact with digital tools and services, and the variations in their engagements. Results We found that despite the growing array of digital opportunities (with diverse tools and services available to farmers), farmers are mainly confined to simple devices (mobile phones, radio, and TV) as access to digital resources, including the internet remains limited. Meanwhile, the main sources of digitalization services for smallholders remain largely the highly subisidized, development-orieted. NGOs and private-sector projects, which generally leverage SMS, Interactive Voice Response (IVR), radio, or field agents to reach farmers. Nonetheless, participation in digitalization services remains limited, unimpressive at best, and often fades over time because of weak building blocks evident in low literacies, lack of digital competencies and the limited access to digital resources. Conclusions Thus, full-scale digitalization remains a distant goal, and transformation claims are disconnected from smallholders' lived realities. However, opportunities exist to create a ‘digitalization for smallholders’ that is sensitive to the current and future structural limitations of smallholder agriculture, including low literacy and limited access to digital tools, to make agriculture digitalization reach its full potential in Africa.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».