Enabling responsible AI-driven agri-food innovation in Ontario: A framework for analysis of adoption challenges and opportunities
Notice bibliographique
Résumé
AI adoption in the agri-food sector offers significant gains in productivity and competitiveness, but responsible implementation is essential to avoid stakeholder resistance and ethical concerns. This study examines the adoption of artificial intelligence (AI) technologies in Ontario’s horticultural and livestock sectors. Applying a systems perspective and responsible innovation, it identifies and categorizes emerging AI applications, develops a conceptual framework to capture technological, social, environmental, individual, and institutional factors, and proposes practical strategies to promote adoption. A structured literature review of peer-reviewed articles, government reports, and industry publications was conducted to manually classify AI technologies into content layer classifications: descriptive, diagnostic, predictive, and prescriptive, and map them to a framework. Diagnostic and prescriptive technologies dominate in horticulture, while AI applications in livestock are fewer and more evenly distributed across functional layers. Out of the 24 technologies identified, only four technologies, three in horticulture and one in livestock, demonstrated all analytical functions, highlighting the need for more integrated AI solutions. Key barriers include high cost, interoperability challenges, data privacy concerns, technical skill gaps, and limited digital infrastructure. Recommendations include promotion of targeted institutional support, operational efficiency, and ethical data governance. The framework provides practical guidance for responsible AI adoption and a foundation for future empirical research.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».