A Response-by-Retrieval Chatbot for Enhancing Horticulture Extension Services in Tanzania
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».