Mobile Technology in Agriculture: A Systematic Literature Review of Emerging Trends and Future Research Directions
Notice bibliographique
Résumé
This literature review examines the current trends and future research directions in the use of mobile technology in agriculture from 2014 to 2024. In 2024, a search was conducted on the SCOPUS database, resulting in 2,570 documents published between 2014 and 2024. These documents were analyzed to identify the most frequently cited articles in the SCOPUS database. The search used keywords such as mobile technology, mobile applications, smartphones, and mobile devices in combination with keywords like agriculture, farming, and crop production. The analysis of publication trends revealed a significant increase in the number of documents and citations. Notably, India, the United States, and China emerged as the leading contributors in agricultural technology research. Most publications were conference papers and journal articles, with notable contributions from institutions such as Bina Nusantara University and the Sri Lanka Institute of Information Technology. Through keyword analysis, major research clusters focusing on crops, the Internet of Things (IoT), and mobile applications were identified. Key journals in this field, such as Communications in Computer and Information Science, Sensors (Switzerland), and Agriculture (Switzerland), cover these topics. This review aims to highlight the global, dynamic, and interdisciplinary nature of research in mobile agricultural technology. It underscores the increasing importance of this field and emphasizes the need for further exploration
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».