Huduma za ugani wa kilimo zinazotegemea akili bandia, ni huduma za ugani za kidijitali zinazolenga kuwasaidia wakulima kufanya maamuzi ya kilimo kwa kutumia mbinu za akili bandia kama ujifunzaji wa mashine, uchakataji wa lugha asilia na uchanganuzi wa data kupitia programu za simu, chatbot au njia nyingine za kidijitali. Utafiti huu unachunguza kiwango ambacho wakulima vijana wa Nsukka Yellow Pepper (NYP) katika Nsukka Agricultural Zone, Enugu State, Nigeria wanafahamu na kutumia huduma hizi; vigezo vya kijamii na kiuchumi vinavyohusiana na uamuzi wa matumizi; tofauti za uzalishaji, gharama na gross margin kati ya watumiaji na wasiotumia; pamoja na vikwazo vya kijamii na kiteknolojia vinavyozuia matumizi. Mwanzoni wakulima 150 walichaguliwa katika sampuli, na dodoso 144 zilizokamilishwa zikajumuishwa katika uchambuzi. Chanzo kinaripoti ufahamu wa %79,2, kupakua/kujaribu programu kwa %72,2 na matumizi kamili au endelevu kwa %45,8.

Katika matokeo ya Binary Logit, vigezo marital status, monthly income, credit access, cooperative membership na AI/IoT training vimeonyeshwa kuwa muhimu katika kiwango cha p≤0,05 katika Table 2 ya chanzo. Coefficients chanya kubwa zaidi ni 4,766 kwa cooperative membership na 4,550 kwa AI/IoT training; coefficient ya monthly income ni hasi kwa −0,747. Hata hivyo, kwa kuwa kuna kutokuwiana ndani ya chanzo katika baadhi ya mchanganyiko wa coefficient–standard error–Wald katika Table 2, ukubwa wa coefficients unapaswa kufasiriwa kwa tahadhari.

Katika kundi la watumiaji, kulingana na Table 3 mean output ni 285,68, huku kwa wasiotumia ikiwa 259,10. Partial productivity ratio inayotegemea input-cost imetolewa kuwa 0,00023 kwa watumiaji na 0,00019 kwa wasiotumia. Katika Table 4, gross margin ya watumiaji ni ₦920.033,21 na ya wasiotumia ni ₦609.236,40; chanzo kinaeleza tofauti hii kama ongezeko la takriban %51. Hata hivyo, utafiti haukuwa wa randomization na haukuripoti causal-effect estimator maalumu wala jaribio la umuhimu kwa tofauti za watumiaji–wasiotumia. Kwa hiyo, tofauti zilizoonekana haziwezi kufasiriwa kama athari ya kisababishi ya huduma za ugani zinazotegemea AI pekee.

Vikwazo vilivyopata alama za juu zaidi katika matumizi viliripotiwa kuwa ujuzi mdogo wa kidijitali (\(\bar{x}=3.86\)), ufahamu mdogo wa manufaa ya huduma zinazotegemea AI (\(\bar{x}=3.69\)) na msaada wa kiufundi usiotosha (\(\bar{x}=3.67\)). Ujumbe wa jumla wa utafiti ni kwamba ingawa ufahamu na mawasiliano ya awali ni ya juu, matumizi endelevu ni ya chini zaidi; ujuzi wa kidijitali, elimu, miundo ya ushirika, upatikanaji wa fedha na msaada wa kiufundi vinahusiana na mifumo ya matumizi.

Huduma za Ugani wa Kilimo Zinazotegemea Akili Bandia ni Nini?

Huduma za ugani wa kilimo zinazotegemea akili bandia ni mkabala wa ugani unaotumia akili bandia na mbinu za uchakataji wa data ili kusaidia maamuzi ya uzalishaji ya mkulima kwa kufikisha kupitia njia za kidijitali taarifa kama utambuzi wa magonjwa, hali ya hewa, matumizi ya pembejeo, taarifa za soko au ushauri wa jumla wa kilimo; katika utafiti huu dhana haikuzuiliwa kwa mfumo mmoja maalumu wa AI, bali matumizi ya majukwaa tofauti kama ChatGPT, WhatsApp Meta AI, Plantix, AgriBot na Hello Tractor yalichunguzwa kwa pamoja.

Nsukka Yellow Pepper ni nini?

Nsukka Yellow Pepper (NYP), katika utafiti Capsicum chinense imetambuliwa kama aina ya pilipili ya njano ya kienyeji inayohusishwa na Nsukka Agricultural Zone. Chanzo kinaeleza kuwa NYP ina umuhimu wa kiuchumi na kilimo katika eneo hilo kutokana na harufu yake ya kipekee, rangi, ladha na sifa za lishe.

Katika sehemu ya utangulizi, utafiti unapozungumzia kwanza uzalishaji wa pepper kwa ujumla hutumia jina Capsicum annuum L. na baadaye huitambulisha Nsukka Yellow Pepper, bidhaa kuu ya utafiti, kama Capsicum chinense. Verianla haibadilishi kauli hizi mbili za kitaksonomia kuwa moja; kwa bidhaa lengwa ya utafiti, ulinganifu wa NYP = Capsicum chinense uliotumiwa katika chanzo umehifadhiwa.

Kwa nini huduma za ugani zinazotegemea AI zilichunguzwa?

Chanzo kinataja utegemezi wa mbinu za jadi za uzalishaji, upatikanaji mdogo wa taarifa za wakati unaofaa na zinazoaminika, na matumizi madogo ya teknolojia za kisasa za kilimo miongoni mwa matatizo ya uzalishaji wa pilipili.

Maeneo yaliyolengwa ya matumizi ya huduma za kidijitali zinazotegemea AI ni pamoja na:

• utambuzi wa wadudu na magonjwa,
• usimamizi wa udongo na maji,
• utabiri wa hali ya hewa,
• uboreshaji wa matumizi ya pembejeo,
• taarifa za soko,
• ushauri wa jumla wa kilimo

.

Chanzo pia kinazungumzia mazingira ambayo APWEN na University of Nigeria, Nsukka wameendeleza au kuanzisha matumizi ya AI katika eneo hilo kama utambuzi wa mapema wa magonjwa, usimamizi wa maji na digital extension services. Hata hivyo, utafiti huu wenyewe si utafiti wa benchmark wa ujifunzaji wa mashine unaopima usahihi wa kiufundi wa mifumo hii ya AI.

Nadharia ya Diffusion of Innovations ina kazi gani katika utafiti?

Katika msingi wa kinadharia wa utafiti, mkabala wa Rogers wa Diffusion of Innovations (DOI) umetumiwa. Chanzo kinaeleza kuwa katika nadharia hii technology adoption inaweza kuelezwa kwa sifa kama relative advantage, compatibility, complexity, trialability na observability.

Kwa Kiswahili, dhana hizi zinaweza kufafanuliwa kwa karibu kama ifuatavyo:

• Relative advantage: faida inayotambuliwa ya teknolojia mpya ikilinganishwa na mbinu iliyopo.
• Compatibility: kiwango ambacho teknolojia inalingana na mahitaji na mbinu zilizopo za mtumiaji.
• Complexity: kiwango ambacho kujifunza au kutumia teknolojia kunatambuliwa kuwa kugumu.
• Trialability: uwezekano wa kujaribu teknolojia kabla ya kuikubali kikamilifu.
• Observability: kiwango ambacho matokeo ya teknolojia yanaweza kuonekana na mtumiaji au watu walio karibu naye.

Utafiti huu haupimi vigezo vyote vya DOI katika modeli tofauti ya kimuundo; nadharia inatumika kama msingi wa dhana wa kueleza tabia ya adoption.

Eneo la utafiti

Utafiti ulifanyika katika Nsukka Agricultural Zone ndani ya Enugu State. Zone ina Local Government Area tatu:

• Nsukka,
• Igbo-Etiti,
• Uzo-Uwani.

Chanzo kinatoa masafa ya koordinati kuwa longitudo 7°20′1″E–7°29′1″E na latitudo 6°54′1″N–7°0′1″N.

Sampuli iliundwaje?

Katika mchakato wa usampulishaji ambao chanzo kinauita “multistage sampling”, LGA zote tatu zilijumuishwa katika utafiti. Kisha kutoka kwenye registered farmer lists, kwa proportional random sampling:

• 48 kutoka Nsukka,
• 49 kutoka Igbo-Etiti,
• 53 kutoka Uzo-Uwani

wakulima vijana wa pilipili walichaguliwa.

Jumla ya sampuli ya awali:

\[ 48+49+53=150 \]

watu.

Kati ya dodoso 150 zilizogawiwa, 144 zilikamilishwa na kujumuishwa katika uchambuzi:

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

Kwa hiyo Table 1 inaripoti wazi \(n=144\).

Viwango vya ufahamu na matumizi

AI na majukwaa ya kidijitali yaliyotumiwa

Jumla ya uwiano huu si %100. Chanzo hakielezi wazi katika sehemu hii ya muundo wa questionnaire kama multiple-response iliruhusiwa au kama denominator ni users pekee. Kwa hiyo haiwezi kudhaniwa kuwa uwiano huu ni makundi yanayotengana kabisa.

Madhumuni ya kutumia huduma za AI

Jedwali la chanzo linaandika mstari husika kama “Record mining”; Results prose iliyo kabla yake inaeleza thamani ileile ya %11,81 kama “record-keeping”. Kauli hizi mbili hazijaunganishwa kimya kimya kuwa istilahi moja.

Mara za matumizi

Makundi haya matano yana jumla ya %100. Jumla ya Daily + Weekly + Monthly + Rarely pia ni %45,8 na ni sawa kwa namba na asilimia ya full/continued use katika Table 1.

Modeli ya Binary Logit Inapima Nini Katika Utafiti Huu?

Modeli ya Binary Logit huonyesha katika kipimo cha log-odds jinsi uwezekano wa mkulima kijana wa NYP kuwa mtumiaji wa AI-based extension service unavyohusiana na vigezo kumi vya maelezo: jinsia, umri, hali ya ndoa, mapato, upatikanaji wa mikopo, uzoefu wa kilimo, elimu, smartphone ownership, AI/IoT training na cooperative membership; modeli hukadiria mahusiano ya kiuchunguzi na yenyewe haithibitishi athari ya kisababishi.

Mlinganyo (1): Binary Logit

Chanzo kinatoa modeli kama ifuatavyo:

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

Formula inahesabu nini? Formula haimodeli adoption probability \(P_i\) moja kwa moja, bali logariti asilia ya adoption odds.

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

Si matokeo mapya ya utafiti, bali maelezo ya kihisabati ya formula: Ikiwa coefficient \(\beta_j\) ni chanya, ongezeko la kigezo husika linahusiana chanya na adoption log-odds wakati vigezo vingine vikiwa thabiti. Ikiwa coefficient ni hasi, uhusiano huwa katika mwelekeo wa kinyume.

Katika modeli ya kawaida ya Logit:

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

usemi huu hubadilisha coefficient kwenda kipimo cha odds ratio. Kwa kuwa chanzo hakijachapisha odds ratio katika Table 2, Verianla haitengenezi jedwali jipya la matokeo ya OR kutoka kwenye coefficients.

Vigezo katika mlinganyo

Kigezo tegemezi \(Y\) ni 1 kwa mtumiaji wa AI-based extension service na 0 kwa non-user.

Chanzo hutumia kwa independent variables:

\[ P\le0.05 \]

kama statistical significance threshold.

Gross Margin Inaonyesha Nini na Je, Ni Sawa na Faida Halisi?

Gross margin ni kiashiria cha faida ya uzalishaji ya muda mfupi kinachohesabiwa kwa kutoa jumla ya gharama zinazobadilika kutoka kwenye jumla ya mapato; katika utafiti huu formula ya \(GM=TR-TVC\) imetumiwa na, kwa kuwa gharama zisizobadilika hazijajumuishwa wazi, gross margin si thamani sawa na faida halisi inayojumuisha gharama zote za biashara.

Mlinganyo (2): Gross Margin

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

Hapa:

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

ndizo maana zake.

Mbinu ya chanzo inafafanua TR na TVC kama thamani kwa kila hectare.

Katika Table 4 chini ya variable costs kuna:

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

.

Kwa kuwa Land cost, depreciation, interest on fixed capital au gharama nyingine zisizobadilika hazijaripotiwa kama vipengele tofauti, si sahihi kusoma gross margin kama “faida halisi kamili ya biashara”.

Partial productivity ilihesabiwaje?

Mbinu ya chanzo inaeleza kipimo cha msingi cha farm productivity kama yield per hectare; kisha inaeleza kuwa partial productivity katika utafiti huu ilihesabiwa kwa kugawanya output kwa input units zilizotumika.

Table 3 inaonyesha wazi:

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

muundo huu.

Kulingana na Table 3:

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

Kwa hiyo hesabu iliyochapishwa katika Table 3 ni uwiano wa physical output / monetary input cost.

Kwa wasiotumia:

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

na chanzo kimeizungusha kuwa 0,00019.

Kwa watumiaji:

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

na chanzo kimeitoa kuwa 0,00023.

Ukaguzi huu wa kihesabu si matokeo mapya ya majaribio; ni uthibitisho wa hesabu ya A/B iliyochapishwa katika Table 3.

Kipimo cha vikwazo cha Likert kilitumikwaje?

Vikwazo vilitathminiwa kwa 5-point Likert-type scale:

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

Chanzo kiliweka cutoff kuwa:

\[ \bar{x}=3.0 \]

.

Chanzo kinachukulia kipengele kuwa “major challenge” ikiwa mean score ni zaidi ya 3,0; ikiwa ni chini ya 3,0 hakichukulii kuwa challenge.

Neno “significant” katika uainishaji huu halimaanishi inferential p-value. Ni uainishaji elezi unaotegemea mean-score threshold.

Mbinu na Matokeo ya Utafiti

Sampuli na muundo wa data

Matokeo ya Binary Logit

* Tanbihi ya Table 2 katika chanzo: P≤0,05.

Chanzo kilichapisha thamani za model summary kama:

\[ Pseudo\ R^2=0.618 \]

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

na:

\[ Wald\ Chi^2=0.000 \]

.

Pseudo \(R^2\) si sawa na ordinary least-squares \(R^2\). Kwa hiyo haipaswi kufasiriwa moja kwa moja kama “%61,8 ya AI adoption variation imeelezwa”.

Tofauti muhimu ya uripoti wa kihisabati katika Table 2

Katika mkabala wa kawaida wa coefficient moja wa Wald statistic:

Si matokeo ya utafiti, bali mathematical consistency check:

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

uhusiano huu unatarajiwa.

Kwa mfano, kwa Credit Access:

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

na chanzo kinatoa Wald=4,196.

Kwa Cooperative Membership:

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

na chanzo kinatoa Wald=17,316.

Kwa upande mwingine, kwa Monthly Income:

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

lakini chanzo kinaandika Wald=3,785. Kwa hiyo coefficient, standard error na Wald katika mstari huohuo hazilingani kihisabati zikitazamwa pamoja.

Kwa Smartphone Ownership, coefficient iliyochapishwa ya 21,180 na standard error ya 6962 pia zinatoa uwiano mdogo sana wa coefficient/SE; chanzo hakielezi sababu ya makadirio haya yasiyo ya kawaida.

Vigezo vilivyotambuliwa kuwa muhimu na chanzo

Marital Status: β=0,842 na mwelekeo wake ni chanya.

Monthly Income: β=−0,747 na mwelekeo wake ni hasi. Chanzo kinajadili matokeo haya kwa uwezekano kwamba wakulima wenye mapato ya chini wanaweza kuelekea zaidi kwenye ushauri wa kidijitali wa bure au wenye gharama ndogo. Utaratibu huu ni tafsiri ya waandishi ambayo haijajaribiwa moja kwa moja kwa majaribio.

Credit Access: β=0,284 na ni chanya.

Cooperative Membership: β=4,766 ni coefficient chanya yenye nguvu katika Table 2.

Training on AI & IoT: β=4,550 ni coefficient chanya yenye nguvu.

Katika mistari ya Sex, Age, Farming Experience, Years of Education na Smartphone Ownership, chanzo hakitoi alama ya nyota.

Ulinganisho wa partial productivity kati ya watumiaji na wasiotumia

Katika Table 3, A/B productivity ratio ni ya juu zaidi kwa watumiaji. Hata hivyo, utafiti haukuwarandomize watumiaji dhidi ya non-users na haukuripoti inferential test kwa tofauti kati ya uwiano huu miwili.

Ulinganisho wa faida

Ongezeko la gross-margin lililoripotiwa na chanzo:

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

ni.

Hesabu hii inalingana na tofauti ya %51 iliyotajwa na chanzo.

Katika Table 4, kwa gross margin ya non-user:

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

hupatikana, lakini jedwali la chanzo linachapisha ₦609.236,40. Tofauti ya ₦0,05 ni ndogo sana na inaweza kutokana na rounding/typesetting; hata hivyo Verianla haiwasilishi kimya kimya kama thamani ya chanzo iliyokuwa “imesahihishwa”.

Tofauti ya 265,88 na 285,68 kg/ha

Profitability prose inaandika thamani ya yield ya watumiaji kuwa 265,88 kg/ha.

Lakini Table 3 inatoa mean output ya mtumiaji kuwa 285,68, na Table 4 pia inaonyesha wazi Qty/Ha ya mtumiaji kuwa 285,68 kg/ha.

Kwa hiyo 265,88 inapaswa kuhifadhiwa tu kama thamani tofauti ndani ya chanzo katika Results prose; thamani za jedwali hazipaswi kubadilishwa kimya kimya.

Vikwazo katika matumizi ya huduma za ugani zinazotegemea AI

Mean score ya juu zaidi ni 3,86 kwa ujuzi mdogo wa kidijitali. Nafasi ya pili na ya tatu ni ufahamu mdogo wa manufaa kwa 3,69 na msaada wa kiufundi usiotosha kwa 3,67.

Kwa mujibu wa kanuni ya cutoff ya chanzo, thamani zilizo juu ya 3,0 zilikubaliwa kuwa major challenge.

“Unclear Return on Investment” ina thamani kamili ya 3,00. Kwa kuwa mbinu inatofautisha “below 3.0” na “above 3.0”, haijaelezwa wazi usawa kamili unaingia katika kundi gani.

Je, Tofauti Kati ya Watumiaji na Wasiotumia Inathibitisha Athari ya Kisababishi ya AI?

Hapana. Utafiti unaonyesha tofauti za output, input cost, partial productivity na gross margin kati ya watumiaji na wasiotumia; hata hivyo washiriki hawakurandomize kwenye matumizi ya AI, causal matching au treatment-effect model haikutumika kwa sifa za awali, na confidence interval au jaribio tofauti la umuhimu halikuripotiwa kwa tofauti za kiuchumi. Kwa hiyo, tofauti zilizoonekana haziwezi kukubaliwa kama matokeo ya kisababishi ya matumizi ya AI pekee.

Kikomo hiki cha tafsiri ni muhimu hasa kwa sababu kati ya watumiaji wa AI na non-users kunaweza tayari kuwa na tofauti katika:

• uanachama wa ushirika,
• mafunzo ya AI/IoT,
• upatikanaji wa mikopo,
• hali ya ndoa,
• mapato

na sifa nyingine zinazohusiana na adoption.

Kwa hiyo higher gross margin au higher productivity ratio ni matokeo ya kiuchunguzi yanayohusiana na AI use; si causal estimate iliyodhibitiwa.

Matokeo yanayoungwa mkono na utafiti

• %79,2 ya wakulima 144 walioingizwa katika uchambuzi waliripoti ufahamu kuhusu AI-based extension services.
• %72,2 waliripoti kuwa walipakua au kujaribu programu.
• %45,8 waliripoti full/continued use.
• Katika mara za matumizi, %54,2 wako katika kundi la “never”.
• Chanzo kinaonyesha marital status, monthly income, credit access, cooperative membership na AI/IoT training kama vigezo vilivyowekwa alama p≤0,05 katika modeli ya Binary Logit.
• Katika kundi la Users, Table 3 partial productivity ratio ni 0,00023; katika kundi la non-users ni 0,00019.
• Thamani ya Table 4 gross margin kwa Users ni ₦920.033,21; kwa non-users ni ₦609.236,40.
• Chanzo kinaripoti tofauti ya gross-margin ya takriban %51 na uwiano huu unalingana kihesabu na thamani mbili za gross-margin zilizochapishwa.
• Constraint mean score ya juu zaidi ni 3,86 kwa low digital literacy.

Matokeo ambayo utafiti hauungi mkono moja kwa moja

• Haijathibitishwa kuwa matumizi ya AI-based extension service pekee yalisababisha ongezeko la productivity.
• Haijaonyeshwa kisababishi kuwa matumizi ya AI pekee yaliongeza gross margin kwa %51.
• Haijajaribiwa kwa kulinganisha kama ChatGPT ni bora zaidi kuliko Plantix au jukwaa jingine.
• Usahihi wa disease diagnosis wa majukwaa ya AI haujapimwa.
• Model accuracy, precision, recall au vipimo vingine vya kiufundi vya mifumo ya AI iliyotumiwa havijachunguzwa.
• Usahihi wa agronomic wa mapendekezo ya AI haujapimwa kwa tathmini huru ya wataalamu.
• Utafiti si sampuli wakilishi ya kitaifa ya wakulima wote wa Enugu State au wakulima wote vijana nchini Nigeria.
• Muundo wa sehemu-mkataba hauonyeshi adoption persistence ya muda mrefu au athari kwa tija kwa muda.
• Likert mean score kuwa juu ya 3 haimaanishi inferential statistical significance.

Tofauti muhimu za uripoti ndani ya chanzo

Vikwazo vikuu vya kimetodolojia

Muundo wa sehemu-mkataba: Utendaji wa uzalishaji wa wakulima wale wale kabla na baada ya AI haukufuatiliwa kwa muda.

Self-reported adoption: Ufahamu, matumizi na mara za matumizi zinategemea dodoso lenye muundo.

Majibu 144 yaliyochambuliwa: Mwanzoni respondent 150 walichaguliwa, na dodoso sita zikaachwa nje ya uchambuzi.

Observational group comparison: Users na non-users hawakurandomize.

Economic difference significance: Confidence interval au significance test tofauti haijaripotiwa kwa tofauti za makundi katika productivity na gross-margin.

Tofauti ya uripoti wa Binary Logit: β, SE na Wald katika mstari wa Monthly Income hazilingani zikitazamwa pamoja.

Smartphone coefficient: Standard error ya 6962 imeripotiwa dhidi ya coefficient ya 21,180, na chanzo hakielezi sababu yake.

Lebo ya Wald Chi²: Haijulikani wazi kama kauli “Wald Chi²: 0.000” katika muhtasari wa modeli ni statistic au thamani ya significance.

Denominator ya asilimia za majukwaa: Haijaelezwa wazi kama asilimia za App-type na purpose-of-use ni multiple response.

Usahihi wa kiufundi wa mifumo ya AI: Hakuna tathmini ya model au advisory-system accuracy iliyofanywa.

Maana kwa matumizi ya vitendo

Matokeo ya chanzo yanaonyesha kuwa kuwepo kwa teknolojia ya AI pekee hakutoshi kwa matumizi ya kawaida. Utafiti unasisitiza hasa umuhimu wa pamoja wa mambo ya kibinadamu na miundombinu kama digital literacy, technical support, cooperative participation, access to credit, local-language accessibility, internet na power infrastructure.

Waandishi wanapendekeza kuimarisha digital-literacy initiatives, kusaidia cooperative platforms, kuendeleza local-language digital platforms, kupanua mifumo ya technical-support na kuwekeza katika rural internet/power infrastructure.

Mapendekezo haya ya sera yanategemea matokeo ya kiuchunguzi ya utafiti na mjadala wa fasihi; athari za afua husika hazikujaribiwa kwa randomization katika utafiti huu.

Maelezo ya Chanzo na Mbinu

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

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

Mpangilio wa sasa wa web metadata rasmi: Chris Nnamdi Onyekwe, Ejiofor Emmanuel Omeje, Ikenna Charles Ukwuaba, Mercy Nkiruka Efita, Benson Uwakwe Asogwa, Johnpaul Tochukwu Offorma.

Tanbihi ya mpangilio wa waandishi: Mstari wa “Cite as” katika PDF unatofautiana na mpangilio wa metadata wa sasa wa jarida rasmi. Kwa kuwa hakuna correction notice iliyotangazwa, tofauti hiyo haijafichwa.

Mchango sawa: Hakuna taarifa ya Equal-contribution.

Mwandishi anayewasiliana: Chris Nnamdi Onyekwe.

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

Jarida: Journal of Agricultural Extension.

Muundo wa kitaasisi wa uchapishaji: Agricultural Extension Society of Nigeria (AESON).

Juzuu / toleo: 30(4).

Kurasa: 23–35.

Mwaka wa uchapishaji: 2026.

PDF DOI: 10.4314/jae.v30i4.3.

DOI rasmi ya sasa: 10.4314/bddmn517.

Tanbihi ya DOI: PDF iliyopakiwa na rekodi rasmi ya sasa ya makala zinaonyesha DOI tofauti.

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 na 11 September 2026.

Date Accepted: 22 September 2026.

PDF Date Published: 30 October 2026.

Tarehe rasmi ya sasa ya online publication: 29 October 2026.

Aina ya chanzo: Research Article; primary cross-sectional field-survey study.

Mapitio ya rika: Sera rasmi ya Journal of Agricultural Extension hutumia double-blind peer review.

Preprint: Hakuna preprint tofauti iliyoonyeshwa katika PDF ya chanzo au rekodi rasmi ya sasa ya makala.

Leseni: Rekodi rasmi ya sasa inaonyesha Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0). Kichwa cha juu cha PDF pia kina CC BY-NC-ND; hata hivyo mstari wa maandishi unaofuata wa leseni katika PDF hautaji kipengele cha NoDerivatives kwa maneno tofauti.

Eneo la utafiti: Nsukka Agricultural Zone, Enugu State, Nigeria.

LGA: Nsukka, Igbo-Etiti na Uzo-Uwani.

Sampuli ya awali: 150 youth pepper farmers.

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

Sampuli ya uchambuzi: Dodoso 144 zilizokamilishwa; %96 response rate.

Ukusanyaji wa data: Structured questionnaire.

Adoption analysis: Percentages na Binary Logistic Regression.

Economic analysis: Partial productivity na 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.

Lebo ya model-summary ya chanzo: “Wald Chi²: 0.000”; source meaning is not sufficiently clarified.

Ufahamu: %79,2.

Kupakua AI app: %72,2.

Full / continued use: %45,8.

Never use frequency: %54,2.

Uwiano wa juu zaidi wa jukwaa: ChatGPT %42,36.

Lengo la matumizi lenye uwiano wa juu zaidi: General advice %30,56.

Vigezo vyenye alama ya nyota katika Binary Logit: 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.

Tofauti ya Qty/Ha katika prose ya chanzo: Results text inaandika 265,88 kg/Ha kwa users; Table 3 na Table 4 zinatoa 285,68.

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

Tofauti ya gross-margin katika chanzo: Takriban %51.

Constraint ya juu zaidi: Low digital literacy, mean=3,86, SD=1,362.

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

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

Idhini ya maadili: 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 ilipatikana.

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

Funding: Hakuna specific grant iliyopatikana kutoka public, commercial au not-for-profit funding agency.

Competing Interests: Waandishi wanatangaza kuwa hawana mgongano wa maslahi.

AI Use Declaration: Waandishi wanaeleza kuwa hawakutumia generative AI tools; walitumia AI-assisted language-editing software kwa grammar, spelling, punctuation, readability na language quality pekee.

Acknowledgement: Waandishi wanawashukuru enumerators waliokuwa msaada katika ukusanyaji wa data.

Michango ya waandishi: Chris Nnamdi Onyekwe: conception/design, data-collection instrument development, interpretation, manuscript revision (%20). Emmanuel Ejiofor Omeje: conception/design, data collection, interpretation, first draft na revision (%25). Ikenna Charles Ukwuaba: interpretation, first draft, manuscript development, data analysis na 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 na revision (%10).

Vikwazo vikuu vya kimetodolojia: Muundo wa kiuchunguzi wa sehemu-mkataba; respondent 150 walichaguliwa lakini 144 wakachambuliwa; kutokuwepo kwa random assignment kwa users/non-users; kutoripotiwa kwa inferential significance test tofauti kwa tofauti za productivity na profitability; kutokuwiana kwa Monthly Income coefficient–SE–Wald; standard error kubwa sana katika Smartphone Ownership estimate; kutokuwa wazi kwa lebo “Wald Chi²: 0.000”; kutokueleza kwa kina muundo wa denominator wa asilimia za jukwaa na madhumuni ya matumizi.