Evaluating blockchain technology for contract farming in Tanzania: A task-technology fit analysis
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
This study employs Task-Technology Fit (TTF) theory to evaluate the alignment between blockchain technology capabilities and contract farming tasks in Tanzania’s Singida District, examining technological suitability and implementation requirements for improving agricultural operations. The study utilizes a mixed-methods approach, combining quantitative and qualitative data from 100 stakeholders (60 farmers, 20 agricultural officers, 15 agribusiness representatives, and 5 government officials). Data collection involved structured surveys, in-depth interviews, and focus group discussions, analyzed through the TTF framework to assess technology-task alignment and implementation factors. Results reveal strong technology-task fit in contract creation (9/10), payment processing (9/10) and record-keeping (9/10), with blockchain’s smart contracts and immutable ledger capabilities effectively addressing current operational inefficiencies. However, significant implementation challenges exist, including infrastructure gaps (45%) and varying readiness levels between urban (7.8/10) and rural (5.2/10) areas. Stakeholder acceptance ranges from 92% (farmers) to 78% (government officials), indicating the need for targeted implementation strategies. This research presents the first comprehensive TTF analysis of blockchain technology in Tanzania’s agricultural context, integrating technical alignment assessment with implementation readiness evaluation. The findings provide evidence-based guidance for policymakers and stakeholders considering blockchain adoption in developing agricultural economies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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