Factors Influencing the Intention to Adopt Precision Agriculture Technology Among Agronomist Firms in Saskatchewan
Notice bibliographique
Résumé
Abstract\nPrecision agricultural technologies relating to soil quality and land management may be useful\ntools to improve the level of agricultural productivity and profitability. Agronomists often help\nproducers become aware of and integrate new technologies that can improve performance.\nHowever, the rate of adoption of technology among agronomists varies and can be shaped by a\nwide array of influencing determinants.\nPredictive Soil Mapping Systems (PSMS) are web-based platforms that generates high-resolution\npredictive soil characteristics maps for users. PSMS help users make informed decisions and use\nthe right amount and type of inputs in the right place and right time.\nUsing a survey of agronomist firms in Saskatchewan, I examined factors relating to the intention\nto adopt PSMS. I focused on strategy-oriented factors at the firm level (e.g., market orientation,\ncannibalization, innovativeness, and performance), and used Partial Least Square Structural\nEquation Modeling (PLS-SEM) for analyzing my conceptual model based on the theoretical\nframework of the TOE (Technology-Organization-Environment) model.\nResults show the firm's subjective perception of past performance relative to others in the industry\nhas a significant positive relationship with intention to adopt the PSMS technology and other\nstrategic factors of the company are insignificant
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».