A Response-by-Retrieval Chatbot for Enhancing Horticulture Extension Services in Tanzania
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
Horticulture, which encompasses the cultivation of flowers, fruits, herbs, and vegetables, is a key contributor to Tanzania’s export revenue generation. Smallholder farmers are the primary producers of these crops, and they rely heavily on extension services for critical information that shapes both their economic success and long-term sustainability. However, the delivery of such services from the government and other stakeholders faces challenges, including constraints in human capital, geographic barriers, misaligned information needs, as well as issues with the timeliness of information dissemination. To address these challenges, this study developed a Swahili-language chatbot designed to provide timely, context-specific information tailored to the needs of farmers. To ensure credibility and relevance, key private and public stakeholders were consulted, and comprehensive farming guides were collected to build a custom dataset. This dataset consisted of 307 passages and 2,231 question-answer pairs. Four multilingual models, Multilingual Bidirectional Encoder Representations from Transformers (mBERT), Cross-lingual Language Model Pretraining RoBERTa (XLM-R), Multilingual Decoding-Enhanced BERT with Disentangled Attention (mDeBERTa), and Afro Cross-lingual Language Model Pretraining RoBERTa (AfroXLMR), were finetuned on this dataset for a question-answering task. Among them, the mDeBERTa model achieved the strongest performance, with an Exact Match (EM) score of 62.69% and an F1 score of 75.35%. These results demonstrate the potential of adapting advanced language models for specialized, low-resource language tasks in agriculture. The deployment of mDeBERTa in a prototype chatbot highlights a promising pathway to bridge information gaps and enhance the accessibility of extension services for Tanzania’s smallholder farmers.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 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