Yapay zekâ tabanlı tarımsal yayım hizmeti, makine öğrenmesi, doğal dil işleme ve veri analitiği gibi yapay zekâ tekniklerini mobil uygulama, chatbot veya diğer dijital kanallar üzerinden kullanarak çiftçilere tarımsal karar desteği sağlamayı amaçlayan bir dijital yayım hizmetidir. Bu çalışma, Nijerya'nın Enugu State bölgesindeki Nsukka Agricultural Zone'da Nsukka Yellow Pepper (NYP) yetiştiren genç çiftçilerin bu hizmetleri ne ölçüde bildiğini ve kullandığını; kullanım kararının sosyoekonomik belirleyicilerini; kullanıcılar ile kullanıcı olmayanlar arasındaki üretim, maliyet ve brüt marj farklarını; ayrıca kullanımın önündeki sosyo-teknik engelleri incelemektedir. Başlangıçta 150 çiftçi örnekleme alınmış, 144 tamamlanmış anket analize dahil edilmiştir. Kaynak %79,2 farkındalık, %72,2 uygulama indirme/deneme ve %45,8 tam veya devam eden kullanım bildirmektedir.

Binary Logit sonuçlarında marital status, monthly income, credit access, cooperative membership ve AI/IoT training değişkenleri kaynak Table 2'de p≤0,05 düzeyinde anlamlı gösterilmiştir. En büyük pozitif katsayılar cooperative membership için 4,766 ve AI/IoT training için 4,550'dir; monthly income katsayısı −0,747 ile negatiftir. Bununla birlikte Table 2'nin bazı coefficient–standard error–Wald kombinasyonlarında kaynak içi tutarsızlıklar bulunduğundan katsayı büyüklükleri dikkatle yorumlanmalıdır.

Kullanıcı grubunda Table 3'e göre mean output 285,68, kullanıcı olmayanlarda 259,10'dur. Input-cost temelli partial productivity ratio kullanıcılar için 0,00023, kullanıcı olmayanlar için 0,00019 olarak verilmiştir. Table 4'te kullanıcıların brüt marjı ₦920.033,21, kullanıcı olmayanların brüt marjı ₦609.236,40'tır; kaynak bu farkı yaklaşık %51 artış olarak ifade etmektedir. Ancak çalışma randomize değildir ve kullanıcı–kullanıcı olmayan farkları için ayrı bir causal-effect estimator veya anlamlılık testi raporlanmamıştır. Bu nedenle gözlenen farklılıklar AI tabanlı yayım hizmetinin tek başına nedensel etkisi olarak yorumlanamaz.

Kullanımın önündeki en yüksek puanlı engeller düşük dijital okuryazarlık (\(\bar{x}=3.86\)), AI tabanlı hizmetlerin yararları konusunda düşük farkındalık (\(\bar{x}=3.69\)) ve yetersiz teknik destek (\(\bar{x}=3.67\)) olarak raporlanmıştır. Çalışmanın genel mesajı, farkındalık ve ilk temasın yüksek olmasına karşın sürekli kullanımın daha düşük olduğu; dijital beceri, eğitim, kooperatif yapıları, finansal erişim ve teknik desteğin kullanım örüntüleriyle ilişkili olduğudur.

Yapay Zekâ Tabanlı Tarımsal Yayım Hizmeti Nedir?

Yapay zekâ tabanlı tarımsal yayım hizmeti, çiftçinin üretim kararlarını desteklemek amacıyla yapay zekâ ve veri işleme tekniklerinden yararlanarak hastalık teşhisi, hava durumu, girdi kullanımı, pazar bilgisi veya genel tarımsal danışmanlık gibi bilgileri dijital kanallardan ileten bir yayım yaklaşımıdır; bu çalışmada kavram belirli tek bir AI sistemiyle sınırlı tutulmamış, ChatGPT, WhatsApp Meta AI, Plantix, AgriBot ve Hello Tractor gibi farklı platformların kullanımı birlikte incelenmiştir.

Nsukka Yellow Pepper nedir?

Nsukka Yellow Pepper (NYP), çalışmada Capsicum chinense olarak tanımlanan ve Nsukka Agricultural Zone ile özdeşleşmiş yerel bir sarı biber çeşididir. Kaynak, NYP'nin belirgin aroması, rengi, lezzeti ve besinsel özellikleri nedeniyle bölgede ekonomik ve tarımsal önem taşıdığını belirtmektedir.

Çalışmanın giriş bölümü önce genel pepper üretiminden söz ederken Capsicum annuum L. adını kullanmakta, daha sonra araştırmanın asıl ürünü olan Nsukka Yellow Pepper'ı Capsicum chinense olarak tanımlamaktadır. Verianla bu iki taksonomik ifadeyi birbirine dönüştürmemektedir; araştırmanın hedef ürünü için kaynakta kullanılan NYP = Capsicum chinense eşlemesini korumaktadır.

Neden AI tabanlı yayım hizmetleri incelendi?

Kaynak, geleneksel üretim uygulamalarına bağımlılık, zamanında ve güvenilir bilgiye sınırlı erişim ve modern tarım teknolojilerinin düşük kullanımını biber üretimindeki sorunlar arasında göstermektedir.

AI tabanlı dijital hizmetlerin hedeflenen kullanım alanları arasında:

• zararlı ve hastalık teşhisi,
• toprak ve su yönetimi,
• hava tahmini,
• girdi optimizasyonu,
• pazar bilgisi,
• genel tarımsal danışmanlık

bulunmaktadır.

Kaynak ayrıca APWEN ve University of Nigeria, Nsukka tarafından bölgede erken hastalık tespiti, su yönetimi ve dijital extension services gibi AI uygulamalarının geliştirildiği veya kullanıma sunulduğu bir bağlamdan söz etmektedir. Ancak mevcut araştırmanın kendisi bu AI sistemlerinin teknik doğruluk performansını ölçen bir makine öğrenmesi benchmark çalışması değildir.

Diffusion of Innovations teorisi çalışmada ne işe yarıyor?

Çalışmanın teorik arka planında Rogers'ın Diffusion of Innovations (DOI) yaklaşımı kullanılmaktadır. Kaynak bu teoride technology adoption'ın relative advantage, compatibility, complexity, trialability ve observability gibi özelliklerle açıklanabileceğini belirtmektedir.

Bu kavramlar Türkçe olarak yaklaşık şu anlamlara gelir:

• Relative advantage: yeni teknolojinin mevcut yönteme göre algılanan avantajı.
• Compatibility: teknolojinin kullanıcının ihtiyaçları ve mevcut uygulamalarıyla uyumu.
• Complexity: teknolojinin öğrenilmesinin veya kullanılmasının ne kadar zor algılandığı.
• Trialability: teknolojinin tam benimsemeden önce denenebilme olanağı.
• Observability: teknolojinin sonuçlarının kullanıcı veya çevresindekiler tarafından görülebilirliği.

Bu çalışma DOI değişkenlerinin tamamını ayrı bir yapısal model içinde ölçmemektedir; teori, adoption davranışını açıklayan kavramsal arka plan olarak kullanılmaktadır.

Araştırma alanı

Çalışma Enugu State içindeki Nsukka Agricultural Zone'da yapılmıştır. Zone üç Local Government Area'dan oluşmaktadır:

• Nsukka,
• Igbo-Etiti,
• Uzo-Uwani.

Kaynak koordinat aralığını 7°20′1″E–7°29′1″E boylamları ve 6°54′1″N–7°0′1″N enlemleri olarak vermektedir.

Örneklem nasıl oluşturuldu?

Kaynağın “multistage sampling” olarak adlandırdığı örnekleme sürecinde üç LGA'nın tamamı araştırmaya dahil edilmiştir. Ardından registered farmer listelerinden proportional random sampling ile:

• Nsukka'dan 48,
• Igbo-Etiti'den 49,
• Uzo-Uwani'den 53

genç biber çiftçisi seçilmiştir.

Toplam başlangıç örneklemi:

\[ 48+49+53=150 \]

kişidir.

Dağıtılan 150 anketten 144'ü tamamlanmış ve analize alınmıştır:

\[ \frac{144}{150}\times100=96\% \]

Bu nedenle Table 1 açıkça \(n=144\) olarak raporlanmaktadır.

Farkındalık ve kullanım oranları

Kullanılan AI ve dijital platformlar

Bu oranların toplamı %100 değildir. Kaynak questionnaire yapısının bu bölümünde multiple-response seçimine izin verilip verilmediğini veya denominator'ın yalnız users olup olmadığını açıkça tanımlamamaktadır. Dolayısıyla oranların birbirini dışlayan kategoriler olduğu varsayılamaz.

AI hizmetlerinin kullanım amaçları

Kaynak tablo ilgili satırı “Record mining” olarak yazmaktadır; hemen önceki Results prose ise aynı %11,81 değerini “record-keeping” olarak açıklamaktadır. İki ifade sessizce tek bir terime dönüştürülmemiştir.

Kullanım sıklığı

Bu beş kategori toplam %100 etmektedir. Daily + Weekly + Monthly + Rarely toplamı ayrıca %45,8'dir ve Table 1'deki full/continued use yüzdesiyle sayısal olarak aynıdır.

Binary Logit Modeli Bu Çalışmada Neyi Ölçüyor?

Binary Logit modeli, bir NYP genç çiftçisinin AI tabanlı extension service kullanıcısı olma olasılığının cinsiyet, yaş, medeni durum, gelir, kredi erişimi, çiftçilik deneyimi, eğitim, smartphone ownership, AI/IoT training ve cooperative membership gibi on açıklayıcı değişkenle nasıl ilişkili olduğunu log-odds ölçeğinde modellemektedir; model gözlemsel ilişkileri tahmin eder ve tek başına nedensel etki kanıtlamaz.

Denklem (1): Binary Logit

Kaynak modeli şu şekilde vermektedir:

\[ \ln\left[ \frac{P_i}{1-P_i} \right] = \beta_0+ \beta_1X_1+ \beta_2X_2+ \beta_3X_3+ \beta_4X_4+ \beta_5X_5+ \beta_6X_6+ \beta_7X_7+ \beta_8X_8+ \beta_9X_9+ \beta_{10}X_{10} \tag{1} \]

Formül neyi hesaplar? Formül adoption probability \(P_i\)'yi doğrudan değil, adoption odds'unun doğal logaritmasını modellemektedir.

\[ Odds_i=\frac{P_i}{1-P_i} \]

Çalışmanın yeni bulgusu değil, formülün matematiksel açıklaması: Bir katsayı \(\beta_j\) pozitif olduğunda ilgili değişkendeki artış, diğer değişkenler sabitken adoption log-odds'uyla pozitif ilişkilidir. Katsayı negatif olduğunda ilişki ters yöndedir.

Standart Logit modelinde:

\[ OR=e^{\beta_j} \]

ifadesi katsayıyı odds ratio ölçeğine dönüştürür. Kaynak Table 2 odds ratio yayımlamadığından Verianla katsayılardan yeni bir OR sonuç tablosu üretmemektedir.

Denklemdeki değişkenler

Dependent variable \(Y\), AI tabanlı extension service kullanıcısı için 1, non-user için 0'dır.

Kaynak independent variables için:

\[ P\le0.05 \]

eşiğini statistical significance threshold olarak kullanmaktadır.

Brüt Marj Neyi Gösteriyor ve Net Kârla Aynı Şey mi?

Brüt marj, toplam gelirden toplam değişken maliyetin çıkarılmasıyla hesaplanan kısa dönem üretim kârlılığı göstergesidir; bu çalışmada \(GM=TR-TVC\) formülü kullanılmıştır ve sabit maliyetler açıkça hesaba katılmadığı için brüt marj, işletmenin bütün maliyetlerini içeren net kârla aynı büyüklük değildir.

Denklem (2): Gross Margin

\[ GM=TR-TVC \tag{2} \]

Burada:

• \(GM\): Gross Margin,
• \(TR\): Total Revenue,
• \(TVC\): Total Variable Cost

anlamındadır.

Kaynak yöntemi TR ve TVC'yi hectare başına değerler olarak tanımlamaktadır.

Table 4'te variable costs altında:

• labour,
• (in)organic fertilizer,
• seed purchase,
• planting,
• herbicides,
• data cost,
• transport,
• market levies,
• pesticides

yer almaktadır.

Land cost, depreciation, interest on fixed capital veya diğer sabit maliyetler ayrı kalemler olarak raporlanmadığından gross margin değerini “tam net işletme kârı” olarak okumak doğru değildir.

Partial productivity nasıl hesaplandı?

Kaynak yöntemi temel farm productivity ölçüsünü yield per hectare olarak açıklar; ardından bu çalışmadaki partial productivity'nin output'un kullanılan input units'e bölünmesiyle hesaplandığını belirtir.

Table 3 ise açık biçimde:

\[ Productivity=\frac{A}{B} \]

yapısını kullanmaktadır.

Burada Table 3'e göre:

• \(A\) = Mean output,
• \(B\) = Mean cost of inputs.

Dolayısıyla yayımlanmış Table 3 hesabı fiziksel output / monetary input cost oranıdır.

Kullanıcı olmayanlar için:

\[ \frac{259.10}{1{,}313{,}311.46}\approx0.000197 \]

ve kaynak bunu 0,00019 olarak yuvarlamıştır.

Kullanıcılar için:

\[ \frac{285.68}{1{,}256{,}388.40}\approx0.000227 \]

ve kaynak bunu 0,00023 olarak vermiştir.

Bu aritmetik kontrol yeni deney sonucu değildir; Table 3'ün yayımlanan A/B hesabının doğrulanmasıdır.

Likert kısıt ölçeği nasıl kullanıldı?

Engeller 5-point Likert-type scale ile değerlendirilmiştir:

• Strongly agree = 5,
• Agree = 4,
• Neutral = 3,
• Disagree = 2,
• Strongly disagree = 1.

Kaynak cutoff değerini:

\[ \bar{x}=3.0 \]

olarak belirlemiştir.

Kaynak, mean score 3,0'ın üzerindeyse ilgili öğeyi “major challenge”, 3,0'ın altındaysa challenge olarak değerlendirmemektedir.

Bu sınıflandırmadaki “significant” sözcüğü inferential p-value anlamında değildir. Mean-score threshold'a dayalı tanımlayıcı sınıflandırmadır.

Çalışmanın Yöntemi ve Bulguları

Örneklem ve veri yapısı

Binary Logit sonuçları

* Kaynak Table 2 dipnotu: P≤0,05.

Kaynak model summary değerlerini:

\[ Pseudo\ R^2=0.618 \]

\[ -2\ Log\ Likelihood=60.234 \]

ve:

\[ Wald\ Chi^2=0.000 \]

şeklinde basmıştır.

Pseudo \(R^2\), ordinary least-squares \(R^2\) ile aynı değildir. Bu nedenle “AI adoption variation'ın %61,8'i açıklandı” biçiminde doğrudan yorumlanmamalıdır.

Table 2'deki önemli matematiksel raporlama farkı

Wald statistic'in yaygın tek-katsayı yaklaşımında:

Çalışmanın bulgusu değil, matematiksel consistency check:

\[ Wald\approx \left( \frac{\beta}{SE} \right)^2 \]

ilişkisi beklenir.

Örneğin Credit Access için:

\[ \left( \frac{0.284}{0.139} \right)^2 \approx4.17 \]

ve kaynak Wald=4,196 vermektedir.

Cooperative Membership için:

\[ \left( \frac{4.766}{1.145} \right)^2 \approx17.33 \]

ve kaynak Wald=17,316 vermektedir.

Buna karşılık Monthly Income için:

\[ \left( \frac{-0.747}{0.898} \right)^2 \approx0.692 \]

iken kaynak Wald=3,785 yazmaktadır. Dolayısıyla aynı satırın coefficient, standard error ve Wald değerleri birlikte matematiksel olarak uyuşmamaktadır.

Smartphone Ownership için yayımlanan 21,180 katsayı ve 6962 standard error da son derece düşük bir coefficient/SE oranı vermektedir; kaynak bu sıra dışı tahminin nedenini açıklamamaktadır.

Kaynak tarafından anlamlı bulunan değişkenler

Marital Status: β=0,842 ve pozitif yöndedir.

Monthly Income: β=−0,747 ve negatif yöndedir. Kaynak bu sonucu düşük gelirli çiftçilerin ücretsiz veya düşük maliyetli dijital danışmanlığa daha fazla yönelmesi olasılığıyla tartışmaktadır. Bu mekanizma doğrudan deneysel olarak test edilmemiş bir yazar yorumudur.

Credit Access: β=0,284 ve pozitiftir.

Cooperative Membership: β=4,766 ile Table 2'de güçlü pozitif katsayıdır.

Training on AI & IoT: β=4,550 ile güçlü pozitif katsayıdır.

Sex, Age, Farming Experience, Years of Education ve Smartphone Ownership satırlarında kaynak yıldız işareti vermemektedir.

Kullanıcılar ile kullanıcı olmayanların partial productivity karşılaştırması

Table 3'te kullanıcıların A/B productivity ratio'su daha yüksektir. Ancak çalışma kullanıcıları non-users'a randomize etmemiştir ve bu iki oran arasındaki fark için inferential test raporlamamıştır.

Kârlılık karşılaştırması

Kaynak tarafından bildirilen gross-margin artışı:

\[ \frac{920033.21-609236.40}{609236.40} \times100 \approx51.0\% \]

olmaktadır.

Bu aritmetik, kaynakta belirtilen %51 farkla uyumludur.

Table 4'te non-user gross margin için:

\[ 1{,}922{,}547.91- 1{,}313{,}311.46 = 609{,}236.45 \]

elde edilirken kaynak tablo ₦609.236,40 basmaktadır. Aradaki ₦0,05 fark çok küçüktür ve yuvarlama/typesetting kaynaklı olabilir; ancak Verianla bunu sessizce “düzeltmiş” bir kaynak değeri gibi sunmamaktadır.

265,88 ve 285,68 kg/ha farkı

Profitability prose, kullanıcıların yield değerini 265,88 kg/ha olarak yazmaktadır.

Ancak Table 3 kullanıcı mean output değerini 285,68, Table 4 kullanıcı Qty/Ha değerini de açıkça 285,68 kg/ha olarak vermektedir.

Bu nedenle 265,88 yalnız Results prose'daki kaynak-içi farklı değer olarak korunmalı; tablo değerleri sessizce değiştirilmemelidir.

AI tabanlı yayım hizmetlerinin kullanımındaki kısıtlar

En yüksek mean score düşük dijital okuryazarlık için 3,86'dır. İkinci ve üçüncü sırada fayda farkındalığının düşüklüğü 3,69 ve teknik desteğin yetersizliği 3,67 bulunmaktadır.

Kaynağın cutoff kuralına göre 3,0'ın üzerindeki değerler major challenge kabul edilmiştir.

“Unclear Return on Investment” tam 3,00 değerindedir. Yöntem “below 3.0” ve “above 3.0” ayrımı yaptığından tam eşitliğin hangi sınıfa girdiği açıkça belirtilmemiştir.

Kullanıcılarla Kullanıcı Olmayanlar Arasındaki Fark AI'nin Nedensel Etkisini Kanıtlar mı?

Hayır. Çalışma kullanıcılar ve kullanıcı olmayanlar arasında output, input cost, partial productivity ve gross margin farkları göstermektedir; ancak katılımcılar AI kullanımına randomize edilmemiş, başlangıç özellikleri için causal matching veya treatment-effect modeli uygulanmamış ve ekonomik farklara ait ayrı güven aralığı veya anlamlılık testi raporlanmamıştır, bu nedenle gözlenen farklar AI kullanımının tek başına nedensel sonucu olarak kabul edilemez.

Bu yorum sınırı özellikle önemlidir çünkü AI kullanıcıları ile non-users arasında:

• kooperatif üyeliği,
• AI/IoT eğitimi,
• kredi erişimi,
• medeni durum,
• gelir

gibi adoption ile ilişkili özellikler zaten farklı olabilir.

Dolayısıyla higher gross margin veya higher productivity ratio, AI use ile ilişkili gözlemsel sonuçtur; kontrollü causal estimate değildir.

Çalışmanın desteklediği sonuçlar

• Analize alınan 144 çiftçinin %79,2'si AI-based extension services konusunda farkındalık bildirmiştir.
• %72,2 uygulama indirdiğini veya denediğini bildirmiştir.
• %45,8 full/continued use bildirmiştir.
• Kullanım sıklığında %54,2 “never” kategorisindedir.
• Kaynak Binary Logit modelinde marital status, monthly income, credit access, cooperative membership ve AI/IoT training'i p≤0,05 işaretli değişkenler olarak göstermektedir.
• Users grubunda Table 3 partial productivity ratio 0,00023; non-users grubunda 0,00019'dur.
• Users grubunun Table 4 gross margin değeri ₦920.033,21; non-users grubunun ₦609.236,40'tır.
• Kaynak gross-margin farkını yaklaşık %51 olarak raporlamakta ve bu oran yayımlanan iki gross-margin değeriyle aritmetik olarak uyumludur.
• En yüksek constraint mean score düşük digital literacy için 3,86'dır.

Çalışmanın doğrudan desteklemediği sonuçlar

• AI tabanlı extension service kullanımının tek başına productivity artışına neden olduğu kanıtlanmamıştır.
• AI kullanımının tek başına gross margin'i %51 artırdığı nedensel olarak gösterilmemiştir.
• ChatGPT'nin Plantix veya başka bir platformdan daha etkili olduğu karşılaştırmalı olarak test edilmemiştir.
• AI platformlarının disease diagnosis doğruluğu ölçülmemiştir.
• Kullanılan AI sistemlerinin model accuracy, precision, recall veya benzeri teknik performans metrikleri incelenmemiştir.
• AI tavsiyelerinin agronomic doğruluğu bağımsız uzman değerlendirmesiyle ölçülmemiştir.
• Çalışma bütün Enugu State çiftçilerinin veya Nijerya'daki bütün genç çiftçilerin ulusal temsil örneklemi değildir.
• Kesitsel tasarım uzun dönem adoption persistence veya zaman içindeki verim etkisini göstermez.
• Likert mean score'un 3'ün üzerinde olması inferential statistical significance anlamına gelmez.

Kaynak içindeki önemli raporlama farklılıkları

Temel yöntemsel sınırlılıklar

Kesitsel tasarım: Aynı çiftçilerin AI öncesi ve sonrası üretim performansı zaman içinde izlenmemiştir.

Self-reported adoption: Farkındalık, kullanım ve kullanım sıklığı yapılandırılmış ankete dayanmaktadır.

144 analiz edilen yanıt: Başlangıçta 150 respondent seçilmiş, altı anket analiz dışında kalmıştır.

Observational group comparison: Users ve non-users randomize edilmemiştir.

Economic difference significance: Productivity ve gross-margin grup farkları için confidence interval veya ayrı significance test raporlanmamaktadır.

Binary Logit raporlama farkı: Monthly Income satırındaki β, SE ve Wald birlikte tutarlı değildir.

Smartphone coefficient: 21,180 katsayıya karşı 6962 standard error raporlanmış ve kaynak bunun nedenini açıklamamıştır.

Wald Chi² etiketi: Model özetindeki “Wald Chi²: 0.000” ifadesinin statistic mi yoksa significance değeri mi olduğu açık değildir.

Platform yüzdelerinin denominator'ı: App-type ve purpose-of-use yüzdelerinin multiple response olup olmadığı açıkça belirtilmemektedir.

AI sistemlerinin teknik doğruluğu: Model veya advisory-system accuracy değerlendirmesi yapılmamıştır.

Uygulama açısından anlamı

Kaynak sonuçları, yalnız AI teknolojisinin mevcut olmasının düzenli kullanım için yeterli olmadığını göstermektedir. Çalışma özellikle digital literacy, technical support, cooperative participation, access to credit, local-language accessibility, internet ve power infrastructure gibi insan ve altyapı faktörlerinin birlikte önem taşıdığını vurgulamaktadır.

Yazarlar digital-literacy initiatives'ın güçlendirilmesini, cooperative platforms'ın desteklenmesini, local-language digital platforms geliştirilmesini, technical-support sistemlerinin genişletilmesini ve rural internet/power infrastructure yatırımlarını önermektedir.

Bu politika önerileri araştırmanın gözlemsel sonuçları ve literatür tartışmasına dayanmaktadır; ilgili müdahalelerin etkisi bu çalışmada randomize olarak test edilmemiştir.

Kaynak ve Yöntem Notu

Özgün çalışma: Use of Artificial Intelligence-Based Extension Services among Nsukka Yellow Pepper Youth Farmers in Enugu State, Nigeria.

PDF Cite-as yazar sırası: Emmanuel Ejiofor Omeje, Ikenna Charles Ukwuaba, Chris Nnamdi Onyekwe, Mercy Nkiruka Efita, Benson Uwakwe Asogwa, Johnpaul Tochukwu Offorma.

Güncel resmî web metadata sırası: Chris Nnamdi Onyekwe, Ejiofor Emmanuel Omeje, Ikenna Charles Ukwuaba, Mercy Nkiruka Efita, Benson Uwakwe Asogwa, Johnpaul Tochukwu Offorma.

Yazar sırası notu: PDF'nin “Cite as” satırı ile güncel resmî dergi metadata sırası farklıdır. Açıklanmış correction notice bulunmadığından fark gizlenmemiştir.

Eş katkı: Equal-contribution beyanı bulunmamaktadır.

Sorumlu yazar: Chris Nnamdi Onyekwe.

Kurum: Department of Agricultural Economics, University of Nigeria, Nsukka, Enugu, Nigeria.

Dergi: Journal of Agricultural Extension.

Kurumsal yayın yapısı: Agricultural Extension Society of Nigeria (AESON).

Cilt / sayı: 30(4).

Sayfalar: 23–35.

Yayın yılı: 2026.

PDF DOI: 10.4314/jae.v30i4.3.

Güncel resmî DOI: 10.4314/bddmn517.

DOI notu: Yüklenen PDF ile güncel resmî makale kaydı farklı DOI göstermektedir.

Date Submitted: 02 April 2026.

Date of First Request for Revision: 07 May 2026.

Date of Revisions: 23 May 2026, 06 June 2026, 16 July 2026, 17 July 2026, 18 July 2026 ve 11 September 2026.

Date Accepted: 22 September 2026.

PDF Date Published: 30 October 2026.

Güncel resmî online publication date: 29 October 2026.

Kaynak türü: Research Article; primary cross-sectional field-survey study.

Hakemlik: Journal of Agricultural Extension resmî politikası double-blind peer review uygulamaktadır.

Preprint: Kaynak PDF veya güncel resmî makale kaydında ayrı bir preprint belirtilmemektedir.

Lisans: Güncel resmî kayıt Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0) göstermektedir. PDF üst başlığında da CC BY-NC-ND yazmaktadır; PDF'deki sonraki metinsel lisans satırı NoDerivatives unsurunu yazıyla ayrıca belirtmemektedir.

Çalışma bölgesi: Nsukka Agricultural Zone, Enugu State, Nigeria.

LGA'lar: Nsukka, Igbo-Etiti ve Uzo-Uwani.

Başlangıç örneklemi: 150 youth pepper farmers.

Dağılım: Nsukka 48; Igbo-Etiti 49; Uzo-Uwani 53.

Analiz örneklemi: 144 tamamlanmış questionnaire; %96 response rate.

Veri toplama: Structured questionnaire.

Adoption analysis: Percentages ve Binary Logistic Regression.

Economic analysis: Partial productivity ve Gross Margin.

Constraint analysis: 5-point Likert-type scale; cutoff = 3,0.

Binary dependent variable: AI-based extension service user = 1; non-user = 0.

Predictors: Sex, Age, Marital Status, Monthly Household Income, Credit Access, Farming Experience, Educational Attainment, Smartphone Ownership, AI-use Training, Cooperative Membership.

Statistical significance threshold: P≤0,05.

Pseudo R²: 0,618.

−2 Log Likelihood: 60,234.

Kaynak model-summary etiketi: “Wald Chi²: 0.000”; source meaning is not sufficiently clarified.

Farkındalık: %79,2.

AI app indirme: %72,2.

Full / continued use: %45,8.

Never use frequency: %54,2.

En yüksek platform oranı: ChatGPT %42,36.

En yüksek kullanım amacı: General advice %30,56.

Binary Logit'te yıldızlı değişkenler: Marital Status 0,842; Monthly Income −0,747; Credit Access 0,284; Cooperative Membership 4,766; Training on AI & IoT 4,550.

Table 3 productivity: Non-users 0,00019; Users 0,00023.

Table 4 Qty/Ha: Non-users 259,10 kg; Users 285,68 kg.

Kaynak prose Qty/Ha farkı: Results text users için 265,88 kg/Ha yazmaktadır; Table 3 ve Table 4 285,68 vermektedir.

Gross Margin: Non-users ₦609.236,40; Users ₦920.033,21.

Kaynak gross-margin farkı: Yaklaşık %51.

En yüksek constraint: Low digital literacy, mean=3,86, SD=1,362.

İkinci: Low awareness of benefits, mean=3,69, SD=1,376.

Üçüncü: Inadequate technical support, mean=3,67, SD=0,968.

Etik onay: Strategic Contacts, Ethics and Publications Directorate, University of Nigeria, Nsukka; UNN/EC/NSTA/FAG-AGC-STR/53-11-SEPT/2026.

Informed Consent: Written informed consent alınmıştır.

Data Availability: Data are available from the corresponding author upon reasonable request.

Funding: Public, commercial veya not-for-profit funding agency'den specific grant alınmamıştır.

Competing Interests: Yazarlar çıkar çatışması olmadığını beyan etmektedir.

AI Use Declaration: Yazarlar generative AI tools kullanmadıklarını; yalnız grammar, spelling, punctuation, readability ve language quality için AI-assisted language-editing software kullandıklarını belirtmektedir.

Acknowledgement: Yazarlar veri toplamada yardımcı olan enumerators'a teşekkür etmektedir.

Yazar katkıları: Chris Nnamdi Onyekwe: conception/design, data-collection instrument development, interpretation, manuscript revision (%20). Emmanuel Ejiofor Omeje: conception/design, data collection, interpretation, first draft ve revision (%25). Ikenna Charles Ukwuaba: interpretation, first draft, manuscript development, data analysis ve revision (%20). Mercy Nkiruka Efita: manuscript development, data collection, interpretation (%15). Benson Uwakwe Asogwa: manuscript development, data collection, interpretation (%10). Johnpaul Tochukwu Offorma: data collection, literature review ve revision (%10).

Temel yöntemsel sınırlılıklar: Kesitsel gözlemsel tasarım; 150 seçilen ancak 144 analiz edilen respondent; users/non-users için random assignment olmaması; productivity ve profitability farkları için ayrı inferential significance test raporlanmaması; Monthly Income coefficient–SE–Wald tutarsızlığı; Smartphone Ownership estimate'ındaki çok büyük standard error; “Wald Chi²: 0.000” etiketinin belirsizliği; platform ve kullanım-amacı yüzdelerinin denominator yapısının ayrıntılı açıklanmaması.