Determinants of adoption of automation and robotics technology in the agriculture sector–A mixed methods, narrative, interpretive knowledge synthesis
Notice bibliographique
Résumé
Automation and robotics technologies in agriculture promise to increase productivity with a smaller environmental footprint. However, adoption of agri-innovations is rarely a simple decision. The decision to adopt is determined by numerous factors. Employing a mixed methods narrative, interpretive knowledge synthesis, we review 72 unique studies between 2017–2021, and conduct a thematic analysis. Noting the innate complexity of agriculture, we identify 13 determinants of adoption of automation and robotic technologies in agriculture: data; farm characteristics and surrounding physical environment; farmer characteristics; policy and regulation; labour’s absorptive capacity; social elements; interoperability; standards; access to information; operational benefits; public infrastructure; technological characteristics; and uncertainty and risk. We conclude with seven observations. First, while automation and robotics are promising agri-innovations, they will not be appropriate or beneficial for all farms. There are other forms of agricultural innovation, and their uptake likely will always vary even within the same commodity and region. Second, taking a reductive approach to understanding adoption of agri-innovations may hinder the transformation to sustainable agriculture production systems; it is important to understand the role of complexity in shaping the dynamic interplay among determinants. Third, public infrastructure is more than just the Internet, yet there was little reference to other forms of public infrastructure in the dataset. Fourth, while many papers argue public policy is important for increasing the adoption of these innovations, few provide concrete policy suggestions or scalable examples. Fifth, trust and transparency are central to adoption. Technology developers need to take farmers concerns and needs seriously. Sixth, technology developers must offer practical solutions to real problems. Seventh, automation and robotics encompasses many technologies, and yet no standard or consistent terminology exists. This makes communication about these innovations more difficult. We propose a typology under the rubric of data-driven agricultural technologies.
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 | 0,038 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,018 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».