Strengthening farmer‐led experiments through agronomic and causal inference frameworks
Notice bibliographique
Résumé
Abstract This study explores how scientists can support on‐farm experiments using analytical methods that align with farmers’ endogenous learning processes to inform their management decision. Four maize ( Zea mays L.) farmers across 10 site‐years in New York participated in this study to evaluate the effectiveness of a nitrogen‐fixing inoculant (NFI) applied with a reduced side‐dress nitrogen rate. Farmers designed and implemented their own experiments using a range of layouts, including side‐by‐side comparisons and strip trials. Two analytical approaches were compared: a quantitative yield analysis using spatial regression, and a causal pathway analysis based on mechanistic steps informed by field sampling (e.g., quantitative polymerase chain reaction detection of NFI organisms, nitrogen nutrition index, and yield). While yield data suggested positive or neutral treatment effects at all sites when simply comparing yield average, the spatial regression analysis and causal pathway analysis identified positive outcomes in only seven or four of 10 site‐years, respectively, reflecting a more conservative interpretation of efficacy. Both methods provided consistent conclusions at four out of 10 site‐years, demonstrating the contribution of metrics other than yield in the interpretation process. Findings suggest that simple causal diagrams can structure data collection and interpretation in ways aligned with farmers' goals. Supporting farmer experiments with digital agronomy, mechanistic reasoning, and site‐specific data enhances learning outcomes and scientific rigor without requiring formal replication. This work contributes to the development of collaborative, scalable methodologies that integrate farmer knowledge and scientific analysis in on‐farm experimentation.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».