From intention to action: A predictive model for drone adoption towards sustainability among Iranian farmers
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 rapid advancement of drone technology presents significant opportunities for enhancing agricultural practices, yet the adoption of drones among farmers remains limited. Understanding the factors influencing drone adoption is crucial for extension of innovative agricultural practices towards sustainability. This study aims to explore the factors influencing drone adoption among farmers in Iran, using the Unified Theory of Acceptance and Use of Technology (UTAUT) model through evaluating the predictive power of this model in distinguishing between the drone adopters and non-adopters. A survey was conducted with a sample of 203 farmers due to the stratified random sampling, using a structured questionnaire for data collection. The validity and reliability of the questionnaire were confirmed through a panel of university professors and a pilot study assessing Cronbach's alpha. Data were analyzed using SPSS 26 , employing t-tests, ANOVA, and discriminant analysis. The results reveal significant differences between the two groups, highlighting that adopters exhibit stronger social influence, higher performance expectancy, and greater behavioral intention towards drone use. Experience, behavioral intention, and facilitating conditions are found to be key drivers for adoption, with younger and middle-aged farmers showing more intention to adopt drones. Furthermore, farmers engaged in non-agricultural activities exhibit higher adoption intentions, emphasizing the value of diversified income sources. The discriminant analysis based on the UTAUT model correctly classified 89.7% of the farmers, demonstrating its strong predictive power. This study underscores the importance of experience, education, and facilitating conditions in extension of drone adoption and offers policy recommendations for enhancing adoption rates, particularly through targeted interventions, financial support, and educational programs.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 découle