Evaluating the Effectiveness of Large Language Models for Livestock and Climate-Related Agricultural Advice in Ontario
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
Recent advancements in artificial intelligence (AI) and large language models (LLMs) offer new opportunities for improving agricultural extension, particularly in communicating livestock and climate-related knowledge. While general-purpose models like ChatGPT have demonstrated potential, their performance in specialized domains such as animal welfare has yet to be fully assessed. Prior studies suggest that domain-specific models outperform general ones on precision and contextual accuracy, yet comparative evaluations with expert-curated content are limited. This study examines the performance of ChatGPT, Claude, and Gemini in answering livestock-related questions relevant to climate change. It evaluates the degree of alignment between AI-generated and expert-developed answers, focusing on five metrics: similarity, faithfulness, context precision, context recall, and answer relevancy. Ten expert-reviewed questions were developed, and corresponding human-curated answers were constructed from recent literature. Responses from the three AI models were collected using standardized prompts. Answers were evaluated using a multi-criteria framework supported by qualitative coding and statistical summaries. Prompt engineering was applied to improve answer quality and comparability across models. AI models—especially ChatGPT and Claude—showed high alignment with expert answers. Their outputs demonstrated strong similarity, faithfulness, and context relevance. While some variation in depth and specificity remained, the overall quality of AI responses was high across most metrics. LLMs show promise for supporting agricultural extension and public knowledge transfer. Ensuring reliability requires continued use of expert oversight, domain-specific data, and refined prompting strategies.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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