Enhancing Africa’s agriculture and food systems through responsible and gender inclusive AI innovation: insights from AI4AFS network
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
The integration of artificial intelligence (AI) technologies into agriculture holds urgent and transformative potential for enhancing food security across Sub-Saharan Africa (SSA), a region acutely impacted by climate change and resource constraints. This paper examines experiences from the Artificial Intelligence for Agriculture and Food Systems (AI4AFS) Innovation Research Network, which provided funding to innovative projects in eight SSA countries. Through a set of case studies, we explore AI-driven solutions for pest and disease detection across crops such as cashew, maize, tomato, and cassava, including a real-time health monitoring tool for Nsukka Yellow pepper. Using participatory design, and key informant interview, robust monitoring and evaluation, and incorporating ethical frameworks, the research prioritizes gender equality, social inclusion, and environmental sustainability in AI development and deployment. Our results demonstrate that responsible AI practices can significantly enhance agricultural productivity while maintaining low carbon footprints. This research offers a unique, localized perspective on AI's role in addressing SSA's agricultural challenges, with implications for global food security as demand rises and environmental resources shrink. Key recommendations include establishing robust policy frameworks, strengthening capacity-building efforts, and securing sustainable funding mechanisms to support long-term AI adoption. This work provides the global community, policymakers, and stakeholders with critical insights on establishing ethical, responsible, and inclusive AI practices that can be adapted to similar agricultural contexts worldwide, contributing to sustainable food systems on an international scale.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 découle