Хадамоти машваратии кишоварзӣ бар пояи зеҳни сунъӣ, хадамоти рақамии машваратиест, ки бо истифода аз усулҳои зеҳни сунъӣ, аз ҷумла омӯзиши мошинӣ, коркарди забони табиӣ ва таҳлили додаҳо тавассути барномаи мобилӣ, chatbot ё дигар каналҳои рақамӣ барои дастгирии қабули қарорҳои кишоварзӣ ба деҳқонон кумак расониданро ҳадаф мегирад. Ин таҳқиқот меомӯзад, ки кишоварзони ҷавони Nsukka Yellow Pepper (NYP) дар Nsukka Agricultural Zone-и Enugu State, Nigeria то чӣ андоза ин хадамотро медонанд ва истифода мебаранд; муайянкунандаҳои иҷтимоию иқтисодии қарори истифода; фарқиятҳои истеҳсол, хароҷот ва маржаи умумӣ байни истифодабарандагон ва истифоданакунандагон; инчунин монеаҳои иҷтимоию техникӣ дар роҳи истифода. Дар оғоз 150 кишоварз ба намуна гирифта шуда, 144 пурсишномаи пуршуда ба таҳлил ворид карда шудааст. Манбаъ %79,2 огоҳӣ, %72,2 боргирӣ/озмоиши барнома ва %45,8 истифодаи пурра ё идомадорро гузориш мекунад.

Дар натиҷаҳои Binary Logit, тағйирёбандаҳои marital status, monthly income, credit access, cooperative membership ва AI/IoT training дар Table 2-и манбаъ дар сатҳи p≤0,05 аҳамиятнок нишон дода шудаанд. Калонтарин коэффициентҳои мусбат барои cooperative membership 4,766 ва барои AI/IoT training 4,550 мебошанд; коэффициенти monthly income бо −0,747 манфӣ аст. Бо вуҷуди ин, азбаски дар баъзе комбинацияҳои coefficient–standard error–Wald дар Table 2 номувофиқатиҳои дохилии манбаъ мавҷуданд, андозаи коэффициентҳо бояд боэҳтиёт тафсир карда шавад.

Дар гурӯҳи истифодабарандагон мувофиқи Table 3 mean output 285,68 ва дар истифоданакунандагон 259,10 аст. Partial productivity ratio дар асоси input-cost барои истифодабарандагон 0,00023 ва барои истифоданакунандагон 0,00019 дода шудааст. Дар Table 4 маржаи умумии истифодабарандагон ₦920.033,21 ва маржаи умумии истифоданакунандагон ₦609.236,40 мебошад; манбаъ ин фарқро ҳамчун афзоиши тақрибан %51 ифода мекунад. Аммо таҳқиқот randomize нашудааст ва барои фарқиятҳои истифодабаранда–истифоданакунанда causal-effect estimator ё санҷиши аҳамиятнокии алоҳида гузориш нашудааст. Аз ин рӯ, фарқиятҳои мушоҳидашуда набояд ҳамчун таъсири сабабии танҳо хадамоти машваратии бар пояи AI тафсир шаванд.

Монеаҳои дорои холҳои баландтарин дар роҳи истифода саводнокии пасти рақамӣ (\(\bar{x}=3.86\)), огоҳии паст аз манфиатҳои хадамоти бар пояи AI (\(\bar{x}=3.69\)) ва дастгирии нокифояи техникӣ (\(\bar{x}=3.67\)) гузориш шудаанд. Паёми умумии таҳқиқот ин аст, ки бо вуҷуди баланд будани огоҳӣ ва тамоси аввал, истифодаи пайваста пасттар аст; малакаҳои рақамӣ, таҳсилот, сохторҳои кооперативӣ, дастрасӣ ба маблағгузорӣ ва дастгирии техникӣ бо намунаҳои истифода алоқаманданд.

Хадамоти Машваратии Кишоварзӣ Бар Пояи Зеҳни Сунъӣ Чист?

Хадамоти машваратии кишоварзӣ бар пояи зеҳни сунъӣ равиши машваратист, ки барои дастгирии қарорҳои истеҳсолии кишоварз аз усулҳои зеҳни сунъӣ ва коркарди додаҳо истифода бурда, маълумотеро чун ташхиси беморӣ, вазъи обу ҳаво, истифодаи захираҳо, маълумоти бозор ё машварати умумии кишоварзӣ тавассути каналҳои рақамӣ мерасонад; дар ин таҳқиқот мафҳум бо як системаи мушаххаси AI маҳдуд нашуда, истифодаи платформаҳои гуногун чун ChatGPT, WhatsApp Meta AI, Plantix, AgriBot ва Hello Tractor якҷоя баррасӣ шудааст.

Nsukka Yellow Pepper чист?

Nsukka Yellow Pepper (NYP), дар таҳқиқот Capsicum chinense ҳамчун навъи маҳаллии қаламфури зард муайян шудааст, ки бо Nsukka Agricultural Zone пайванд дорад. Манбаъ мегӯяд, ки NYP бинобар бӯи хос, ранг, мазза ва хусусиятҳои ғизоӣ дар минтақа аҳамияти иқтисодӣ ва кишоварзӣ дорад.

Бахши муқаддимавии таҳқиқот ҳангоми сухан дар бораи истеҳсоли умумии pepper аввал аз номи Capsicum annuum L. истифода мекунад ва баъд маҳсулоти асосии таҳқиқот — Nsukka Yellow Pepper-ро ҳамчун Capsicum chinense муайян менамояд. Verianla ин ду ифодаи таксономиро ба ҳам табдил намедиҳад; барои маҳсулоти ҳадафи таҳқиқот мувофиқати дар манбаъ истифодашудаи NYP = Capsicum chinense нигоҳ дошта мешавад.

Чаро хадамоти машваратии бар пояи AI омӯхта шуданд?

Манбаъ вобастагӣ аз таҷрибаҳои анъанавии истеҳсолӣ, дастрасии маҳдуд ба иттилои саривақтӣ ва боэътимод ва истифодаи пасти технологияҳои муосири кишоварзиро аз ҷумлаи мушкилоти истеҳсоли қаламфур мешуморад.

Самтҳои ҳадафии истифодаи хадамоти рақамии бар пояи AI инҳоянд:

• ташхиси зараррасонҳо ва бемориҳо,
• идоракунии хок ва об,
• пешгӯии обу ҳаво,
• оптимизатсияи захираҳои истеҳсолӣ,
• маълумоти бозор,
• машварати умумии кишоварзӣ

мебошанд.

Манбаъ инчунин ба заминае ишора мекунад, ки дар он APWEN ва University of Nigeria, Nsukka барномаҳои AI барои ошкоркунии барвақтии беморӣ, идоракунии об ва digital extension services-ро дар минтақа таҳия ё ба истифода пешниҳод кардаанд. Аммо худи таҳқиқоти ҷорӣ benchmark-и омӯзиши мошинӣ барои чен кардани дақиқии техникии ин системаҳои AI нест.

Назарияи Diffusion of Innovations дар таҳқиқот чӣ нақш дорад?

Дар заминаи назариявии таҳқиқот равиши Rogers — Diffusion of Innovations (DOI) истифода мешавад. Манбаъ мегӯяд, ки дар ин назария technology adoption метавонад бо хусусиятҳое чун relative advantage, compatibility, complexity, trialability ва observability шарҳ дода шавад.

Ин мафҳумҳо ба Тоҷикӣ тақрибан чунин маъно доранд:

• Relative advantage: бартарии даркшудаи технологияи нав нисбат ба усули мавҷуда.
• Compatibility: мутобиқати технология бо ниёзҳо ва таҷрибаҳои мавҷудаи истифодабаранда.
• Complexity: то чӣ андоза душвор будани омӯзиш ё истифодаи технология дарк мешавад.
• Trialability: имкони озмоиши технология пеш аз қабули пурраи он.
• Observability: то чӣ андоза натиҷаҳои технология барои истифодабаранда ё атрофиён намоён мебошанд.

Ин таҳқиқот ҳамаи тағйирёбандаҳои DOI-ро дар як модели сохтории ҷудогона намесанҷад; назария ҳамчун заминаи консептуалӣ барои шарҳи рафтори adoption истифода мешавад.

Минтақаи таҳқиқот

Таҳқиқот дар Nsukka Agricultural Zone-и дохили Enugu State гузаронида шудааст. Zone аз се Local Government Area иборат аст:

• Nsukka,
• Igbo-Etiti,
• Uzo-Uwani.

Манбаъ фосилаи координатаҳоро ҳамчун тӯлҳои 7°20′1″E–7°29′1″E ва арзҳои 6°54′1″N–7°0′1″N медиҳад.

Намуна чӣ гуна ташаккул дода шуд?

Дар раванди намунагирие, ки манбаъ онро “multistage sampling” меномад, ҳамаи се LGA ба таҳқиқот дохил карда шудаанд. Сипас аз registered farmer lists бо proportional random sampling:

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

кишоварзи ҷавони қаламфур интихоб шудаанд.

Ҳаҷми умумии намунаи ибтидоӣ:

\[ 48+49+53=150 \]

нафар аст.

Аз 150 пурсишномаи тақсимшуда 144-то пурра шуда, ба таҳлил ворид гардидааст:

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

Аз ин рӯ, Table 1 ба таври ошкор \(n=144\)-ро гузориш мекунад.

Сатҳҳои огоҳӣ ва истифода

AI ва платформаҳои рақамии истифодашуда

Ҷамъи ин ҳиссаҳо %100 нест. Манбаъ дар ин бахши сохтори questionnaire ба таври равшан муайян намекунад, ки интихоби multiple-response иҷозат дода шудааст ё denominator танҳо users мебошанд. Аз ин рӯ, наметавон фарз кард, ки ҳиссаҳо категорияҳои якдигарро истиснокунандаанд.

Ҳадафҳои истифодаи хадамоти AI

Ҷадвали манбаъ сатри дахлдорро “Record mining” менависад; Results prose-и пеш аз он бошад, ҳамон арзиши %11,81-ро ҳамчун “record-keeping” шарҳ медиҳад. Ин ду ифода бесадо ба як истилоҳ табдил дода нашудаанд.

Басомади истифода

Ҷамъи ин панҷ категория %100 аст. Ҷамъи Daily + Weekly + Monthly + Rarely низ %45,8 аст ва аз ҷиҳати рақамӣ бо фоизи full/continued use дар Table 1 баробар мебошад.

Модели Binary Logit Дар Ин Таҳқиқот Чиро Месанҷад?

Модели Binary Logit дар шкалаи log-odds модел мекунад, ки эҳтимолияти истифодабарандаи extension service-и бар пояи AI будани кишоварзи ҷавони NYP бо даҳ тағйирёбандаи тавзеҳӣ — ҷинс, синну сол, вазъи оилавӣ, даромад, дастрасӣ ба қарз, таҷрибаи кишоварзӣ, таҳсилот, smartphone ownership, AI/IoT training ва cooperative membership — чӣ гуна алоқаманд аст; модел робитаҳои мушоҳидавиро арзёбӣ мекунад ва худ аз худ таъсири сабабиро исбот намекунад.

Муодила (1): Binary Logit

Манбаъ моделро чунин медиҳад:

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

Формула чиро ҳисоб мекунад? Формула adoption probability \(P_i\)-ро мустақиман не, балки логарифми табиии adoption odds-ро модел мекунад.

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

На натиҷаи нави таҳқиқот, балки шарҳи математикии формула: Агар коэффициенти \(\beta_j\) мусбат бошад, бо собит нигоҳ доштани дигар тағйирёбандаҳо афзоиши тағйирёбандаи дахлдор бо adoption log-odds робитаи мусбат дорад. Агар коэффициент манфӣ бошад, робита самти баръакс дорад.

Дар модели стандартии Logit:

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

ифода коэффициентро ба шкалаи odds ratio табдил медиҳад. Азбаски манбаъ дар Table 2 odds ratio нашр накардааст, Verianla аз коэффициентҳо ҷадвали нави натиҷаҳои OR намесозад.

Тағйирёбандаҳои муодила

Тағйирёбандаи вобаста \(Y\), барои истифодабарандаи extension service-и бар пояи AI 1 ва барои non-user 0 мебошад.

Манбаъ барои independent variables:

\[ P\le0.05 \]

ин ҳаддро ҳамчун statistical significance threshold истифода мебарад.

Маржаи Умумӣ Чиро Нишон Медиҳад ва Оё Бо Фоидаи Соф Як Аст?

Маржаи умумӣ нишондиҳандаи даромаднокии кӯтоҳмуддати истеҳсол аст, ки бо тарҳ кардани хароҷоти умумии тағйирёбанда аз даромади умумӣ ҳисоб мешавад; дар ин таҳқиқот формулаи \(GM=TR-TVC\) истифода шудааст ва азбаски хароҷоти собит ошкоро ба ҳисоб гирифта нашудаанд, маржаи умумӣ бо фоидаи соф, ки тамоми хароҷоти корхонаро дар бар мегирад, як бузургӣ нест.

Муодила (2): Gross Margin

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

Дар ин ҷо:

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

маъно дорад.

Усули манбаъ TR ва TVC-ро ҳамчун арзишҳои ба ҳар гектар муайян мекунад.

Дар Table 4 зери variable costs:

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

оварда шудаанд.

Азбаски Land cost, depreciation, interest on fixed capital ё дигар хароҷоти собит ҳамчун бандҳои ҷудогона гузориш нашудаанд, хондани gross margin ҳамчун “фоидаи пурраи софи корхона” дуруст нест.

Partial productivity чӣ гуна ҳисоб шуд?

Усули манбаъ нишондиҳандаи асосии farm productivity-ро ҳамчун yield per hectare шарҳ медиҳад; сипас мегӯяд, ки partial productivity дар ин таҳқиқот бо тақсим кардани output ба input units-и истифодашуда ҳисоб шудааст.

Table 3 бошад, ошкоро:

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

ин сохторро истифода мебарад.

Дар ин ҷо мувофиқи Table 3:

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

Пас ҳисоби нашршудаи Table 3 таносуби output-и физикӣ / monetary input cost мебошад.

Барои истифоданакунандагон:

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

ва манбаъ онро ба 0,00019 гирд кардааст.

Барои истифодабарандагон:

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

ва манбаъ онро 0,00023 додааст.

Ин санҷиши арифметикӣ натиҷаи нави таҷрибавӣ нест; он тасдиқи ҳисоби A/B-и нашршудаи Table 3 мебошад.

Шкалаи маҳдудияти Likert чӣ гуна истифода шуд?

Монеаҳо бо 5-point Likert-type scale арзёбӣ шудаанд:

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

Манбаъ арзиши cutoff-ро:

\[ \bar{x}=3.0 \]

муайян кардааст.

Манбаъ агар mean score аз 3,0 боло бошад, банди дахлдорро “major challenge” мешуморад; агар аз 3,0 поён бошад, онро challenge ҳисоб намекунад.

Калимаи “significant” дар ин тасниф маънои inferential p-value надорад. Ин таснифи тавсифӣ бар пояи mean-score threshold мебошад.

Усул ва Натиҷаҳои Таҳқиқот

Намуна ва сохтори додаҳо

Натиҷаҳои Binary Logit

* Эзоҳи Table 2-и манбаъ: P≤0,05.

Манбаъ арзишҳои model summary-ро:

\[ Pseudo\ R^2=0.618 \]

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

ва:

\[ Wald\ Chi^2=0.000 \]

ба ҳамин шакл чоп кардааст.

Pseudo \(R^2\) бо ordinary least-squares \(R^2\) як чиз нест. Аз ин рӯ, онро набояд мустақиман ҳамчун “%61,8-и AI adoption variation шарҳ дода шуд” тафсир кард.

Фарқи муҳими ҳисоботи математикӣ дар Table 2

Дар равиши маъмултарини як-коэффициентии Wald statistic:

На натиҷаи таҳқиқот, балки consistency check-и математикӣ:

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

ин робита интизор мешавад.

Масалан, барои Credit Access:

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

ва манбаъ Wald=4,196 медиҳад.

Барои Cooperative Membership:

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

ва манбаъ Wald=17,316 медиҳад.

Баръакс, барои Monthly Income:

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

дар ҳоле ки манбаъ Wald=3,785 менависад. Аз ин рӯ, coefficient, standard error ва Wald-и ҳамон сатр якҷоя аз ҷиҳати математикӣ мувофиқат намекунанд.

Барои Smartphone Ownership коэффициенти нашршудаи 21,180 ва standard error-и 6962 низ таносуби ниҳоят пасти coefficient/SE медиҳанд; манбаъ сабаби ин баҳодиҳии ғайриодиро шарҳ намедиҳад.

Тағйирёбандаҳое, ки манбаъ аҳамиятнок донистааст

Marital Status: β=0,842 ва самташ мусбат аст.

Monthly Income: β=−0,747 ва самташ манфӣ аст. Манбаъ ин натиҷаро бо эҳтимоли он шарҳ медиҳад, ки кишоварзони камдаромад бештар ба машварати рақамии ройгон ё камхарҷ рӯ меоранд. Ин механизм тафсири муаллиф аст, ки мустақиман бо озмоиш санҷида нашудааст.

Credit Access: β=0,284 ва мусбат аст.

Cooperative Membership: β=4,766 дар Table 2 коэффициенти қавии мусбат аст.

Training on AI & IoT: β=4,550 коэффициенти қавии мусбат аст.

Дар сатрҳои Sex, Age, Farming Experience, Years of Education ва Smartphone Ownership манбаъ аломати ситора намедиҳад.

Муқоисаи partial productivity байни истифодабарандагон ва истифоданакунандагон

Дар Table 3, A/B productivity ratio-и истифодабарандагон баландтар аст. Аммо таҳқиқот истифодабарандагонро ба non-users randomize накардааст ва барои фарқи байни ин ду таносуб inferential test гузориш нашудааст.

Муқоисаи даромаднокӣ

Афзоиши gross-margin, ки манбаъ гузориш кардааст:

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

мебошад.

Ин ҳисоб бо фарқи %51-и дар манбаъ зикршуда мувофиқ аст.

Дар Table 4 барои gross margin-и non-user:

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

ба даст меояд, аммо ҷадвали манбаъ ₦609.236,40-ро чоп мекунад. Фарқи ₦0,05 хеле хурд аст ва метавонад аз гирдкунӣ/typesetting бошад; аммо Verianla онро бесадо ҳамчун арзиши “ислоҳшуда”-и манбаъ пешниҳод намекунад.

Фарқи 265,88 ва 285,68 kg/ha

Profitability prose арзиши yield-и истифодабарандагонро 265,88 kg/ha менависад.

Аммо Table 3 арзиши mean output-и истифодабарандаро 285,68, ва Table 4 арзиши Qty/Ha-и истифодабарандаро низ ошкоро 285,68 kg/ha медиҳад.

Аз ин рӯ, 265,88 бояд танҳо ҳамчун арзиши фарқкунандаи дохилиманбаъӣ дар Results prose нигоҳ дошта шавад; арзишҳои ҷадвал набояд бесадо тағйир дода шаванд.

Маҳдудиятҳои истифодаи хадамоти машваратии бар пояи AI

Баландтарин mean score барои саводнокии пасти рақамӣ 3,86 аст. Дар ҷойҳои дуюм ва сеюм огоҳии паст аз манфиатҳо 3,69 ва дастгирии нокифояи техникӣ 3,67 қарор доранд.

Мувофиқи қоидаи cutoff-и манбаъ, арзишҳои аз 3,0 боло major challenge ҳисоб шудаанд.

“Unclear Return on Investment” дақиқан арзиши 3,00 дорад. Азбаски усул фарқи “below 3.0” ва “above 3.0”-ро истифода мекунад, равшан гуфта нашудааст, ки баробарии дақиқ ба кадом синф дохил мешавад.

Оё Фарқи Байни Истифодабарандагон ва Истифоданакунандагон Таъсири Сабабии AI-ро Исбот Мекунад?

Не. Таҳқиқот байни истифодабарандагон ва истифоданакунандагон фарқиятҳои output, input cost, partial productivity ва gross margin-ро нишон медиҳад; аммо иштирокчиён ба истифодаи AI randomize нашудаанд, барои хусусиятҳои ибтидоӣ causal matching ё treatment-effect model татбиқ нашудааст ва барои фарқиятҳои иқтисодӣ confidence interval ё санҷиши аҳамиятнокии алоҳида гузориш нашудааст. Аз ин рӯ, фарқиятҳои мушоҳидашуда набояд ҳамчун натиҷаи сабабии танҳо истифодаи AI қабул шаванд.

Ин маҳдудияти тафсир махсусан муҳим аст, зеро байни истифодабарандагони AI ва non-users:

• узвият дар кооператив,
• омӯзиши AI/IoT,
• дастрасӣ ба қарз,
• вазъи оилавӣ,
• даромад

ва дигар хусусиятҳои бо adoption алоқаманд метавонанд аллакай фарқ кунанд.

Аз ин рӯ higher gross margin ё higher productivity ratio натиҷаи мушоҳидавии бо AI use алоқаманд аст; causal estimate-и назоратшуда нест.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• %79,2-и 144 кишоварзе, ки ба таҳлил ворид шуданд, дар бораи AI-based extension services огоҳӣ гузориш карданд.
• %72,2 гузориш карданд, ки барномаро боргирӣ ё озмоиш кардаанд.
• %45,8 full/continued use гузориш карданд.
• Дар басомади истифода %54,2 дар категорияи “never” қарор доранд.
• Манбаъ дар модели Binary Logit marital status, monthly income, credit access, cooperative membership ва AI/IoT training-ро ҳамчун тағйирёбандаҳои бо p≤0,05 ишорашуда нишон медиҳад.
• Дар гурӯҳи Users Table 3 partial productivity ratio 0,00023; дар гурӯҳи non-users 0,00019 аст.
• Арзиши Table 4 gross margin барои гурӯҳи Users ₦920.033,21 ва барои non-users ₦609.236,40 аст.
• Манбаъ фарқи gross-margin-ро тақрибан %51 гузориш мекунад ва ин ҳисса бо ду арзиши нашршудаи gross-margin аз ҷиҳати арифметикӣ мувофиқ аст.
• Баландтарин constraint mean score барои digital literacy-и паст 3,86 аст.

Натиҷаҳое, ки таҳқиқот мустақиман дастгирӣ намекунад

• Исбот нашудааст, ки истифодаи extension service-и бар пояи AI худ аз худ сабаби афзоиши productivity шудааст.
• Сабабӣ нишон дода нашудааст, ки танҳо истифодаи AI gross margin-ро %51 афзоиш додааст.
• Бо санҷиши муқоисавӣ муайян карда нашудааст, ки ChatGPT аз Plantix ё платформаи дигар самараноктар аст.
• Дақиқии disease diagnosis-и платформаҳои AI чен карда нашудааст.
• Model accuracy, precision, recall ё дигар метрикаҳои шабеҳи техникии системаҳои AI-и истифодашуда омӯхта нашудаанд.
• Дақиқии agronomic-и тавсияҳои AI бо арзёбии мустақили коршиносон чен карда нашудааст.
• Таҳқиқот намунаи миллии намояндагии ҳамаи кишоварзони Enugu State ё ҳамаи кишоварзони ҷавони Нигерия нест.
• Тарҳи буришӣ adoption persistence-и дарозмуддат ё таъсири ҳосилнокиро дар тӯли вақт нишон намедиҳад.
• Аз 3 боло будани Likert mean score маънои inferential statistical significance надорад.

Фарқиятҳои муҳими гузоришдиҳӣ дар манбаъ

Маҳдудиятҳои асосии методологӣ

Тарҳи буришӣ: Нишондиҳандаҳои истеҳсолии ҳамон кишоварзон пеш ва пас аз AI дар тӯли вақт пайгирӣ нашудаанд.

Self-reported adoption: Огоҳӣ, истифода ва басомади истифода ба пурсишномаи сохторёфта асос ёфтаанд.

144 ҷавоби таҳлилшуда: Дар оғоз 150 respondent интихоб шуда, шаш пурсишнома аз таҳлил берун мондааст.

Observational group comparison: Users ва non-users randomize нашудаанд.

Economic difference significance: Барои фарқиятҳои гурӯҳии productivity ва gross-margin confidence interval ё significance test-и алоҳида гузориш нашудааст.

Фарқи гузоришдиҳии Binary Logit: β, SE ва Wald дар сатри Monthly Income якҷоя мувофиқ нестанд.

Smartphone coefficient: Дар муқобили коэффициенти 21,180 standard error-и 6962 гузориш шудааст ва манбаъ сабаби онро шарҳ надодааст.

Нишони Wald Chi²: Равшан нест, ки ибораи “Wald Chi²: 0.000” дар хулосаи модел statistic аст ё арзиши significance.

Denominator-и фоизҳои платформа: Ба таври равшан гуфта нашудааст, ки фоизҳои App-type ва purpose-of-use multiple response мебошанд ё не.

Дақиқии техникии системаҳои AI: Model ё advisory-system accuracy арзёбӣ нашудааст.

Маънои амалӣ

Натиҷаҳои манбаъ нишон медиҳанд, ки танҳо мавҷуд будани технологияи AI барои истифодаи мунтазам кофӣ нест. Таҳқиқот махсусан таъкид мекунад, ки омилҳои инсонӣ ва инфрасохторӣ чун digital literacy, technical support, cooperative participation, access to credit, local-language accessibility, internet ва power infrastructure якҷоя аҳамият доранд.

Муаллифон тақвияти digital-literacy initiatives, дастгирии cooperative platforms, рушди local-language digital platforms, васеъ кардани низомҳои technical-support ва сармоягузорӣ ба rural internet/power infrastructure-ро тавсия медиҳанд.

Ин тавсияҳои сиёсӣ ба натиҷаҳои мушоҳидавии таҳқиқот ва муҳокимаи адабиёт асос ёфтаанд; таъсири дахолатҳои дахлдор дар ин таҳқиқот ба таври randomize санҷида нашудааст.

Ёддошт оид ба Манбаъ ва Усул

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

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

Тартиби ҷории расмии web metadata: Chris Nnamdi Onyekwe, Ejiofor Emmanuel Omeje, Ikenna Charles Ukwuaba, Mercy Nkiruka Efita, Benson Uwakwe Asogwa, Johnpaul Tochukwu Offorma.

Эзоҳи тартиби муаллифон: Сатри “Cite as”-и PDF ва тартиби metadata-и ҷории расмии маҷалла фарқ мекунанд. Азбаски correction notice-и эълоншуда вуҷуд надорад, ин фарқ пинҳон карда нашудааст.

Саҳми баробар: Изҳороти Equal-contribution вуҷуд надорад.

Муаллифи масъул: Chris Nnamdi Onyekwe.

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

Маҷалла: Journal of Agricultural Extension.

Сохтори институтсионалии нашр: Agricultural Extension Society of Nigeria (AESON).

Ҷилд / шумора: 30(4).

Саҳифаҳо: 23–35.

Соли нашр: 2026.

PDF DOI: 10.4314/jae.v30i4.3.

DOI-и ҷории расмӣ: 10.4314/bddmn517.

Эзоҳи DOI: PDF-и боршуда ва сабти ҷории расмии мақола DOI-ҳои гуногун нишон медиҳанд.

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 ва 11 September 2026.

Date Accepted: 22 September 2026.

PDF Date Published: 30 October 2026.

Санаи ҷории расмии online publication: 29 October 2026.

Навъи манбаъ: Research Article; primary cross-sectional field-survey study.

Баррасии ҳамтоён: Сиёсати расмии Journal of Agricultural Extension double-blind peer review-ро татбиқ мекунад.

Preprint: Дар PDF-и манбаъ ё сабти ҷории расмии мақола preprint-и алоҳида нишон дода нашудааст.

Иҷозатнома: Сабти ҷории расмӣ Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0)-ро нишон медиҳад. Дар сарлавҳаи болоии PDF низ CC BY-NC-ND навишта шудааст; аммо сатри баъдии матнии иҷозатнома дар PDF унсури NoDerivatives-ро бо сухан алоҳида зикр намекунад.

Минтақаи таҳқиқот: Nsukka Agricultural Zone, Enugu State, Nigeria.

LGA-ҳо: Nsukka, Igbo-Etiti ва Uzo-Uwani.

Намунаи ибтидоӣ: 150 youth pepper farmers.

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

Намунаи таҳлил: 144 questionnaire-и пуршуда; %96 response rate.

Ҷамъоварии маълумот: Structured questionnaire.

Adoption analysis: Percentages ва Binary Logistic Regression.

Economic analysis: Partial productivity ва 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.

Нишони model-summary-и манбаъ: “Wald Chi²: 0.000”; source meaning is not sufficiently clarified.

Огоҳӣ: %79,2.

Боргирии AI app: %72,2.

Full / continued use: %45,8.

Never use frequency: %54,2.

Баландтарин ҳиссаи платформа: ChatGPT %42,36.

Баландтарин ҳадафи истифода: General advice %30,56.

Тағйирёбандаҳои ситорадори 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.

Фарқи Qty/Ha дар prose-и манбаъ: Results text барои users 265,88 kg/Ha менависад; Table 3 ва Table 4 285,68 медиҳанд.

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

Фарқи gross-margin дар манбаъ: Тақрибан %51.

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

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

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

Тасдиқи ахлоқӣ: 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 гирифта шудааст.

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

Funding: Аз public, commercial ё not-for-profit funding agency specific grant гирифта нашудааст.

Competing Interests: Муаллифон изҳор мекунанд, ки бархӯрди манфиатҳо вуҷуд надорад.

AI Use Declaration: Муаллифон мегӯянд, ки generative AI tools истифода накардаанд; танҳо барои grammar, spelling, punctuation, readability ва language quality аз AI-assisted language-editing software истифода кардаанд.

Acknowledgement: Муаллифон ба enumerators, ки дар ҷамъоварии маълумот кумак карданд, изҳори сипос мекунанд.

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

Маҳдудиятҳои асосии методологӣ: Тарҳи буришии мушоҳидавӣ; 150 нафар интихоб шуда, аммо 144 respondent таҳлил шудаанд; барои users/non-users random assignment вуҷуд надорад; барои фарқиятҳои productivity ва profitability inferential significance test-и алоҳида гузориш нашудааст; номувофиқати Monthly Income coefficient–SE–Wald; standard error-и хеле калон дар Smartphone Ownership estimate; номуайянии нишони “Wald Chi²: 0.000”; шарҳ дода нашудани муфассали сохтори denominator барои фоизҳои платформа ва ҳадафи истифода.