生成式人工智能在农业推广中的应用与挑战：基于田纳西州推广人员的实证研究中文标题

本综述基于田纳西州农业推广人员的调查数据，通过回归分析和潜在狄利克雷分配（LDA）主题建模，系统探讨了生成式人工智能（GenAI）在农业推广中的知识水平、使用现状及影响因素。研究发现，尽管推广人员教育背景深厚，但GenAI工具的认知和使用存在显著差异，其中ChatGPT的认可度最高，但实际应用仍有限。年轻人员和本科学历者更熟悉GenAI，而IT培训、性别等因素影响不一。主题分析揭示了三大应用方向：内容创作与规划、实际资源需求和沟通效率提升。研究为提升GenAI在农业推广中的采纳率提供了政策建议，包括加强数字素养培训和定制化干预措施。

　　

引言

生成式人工智能（GenAI）自2022年底ChatGPT发布以来迅速崛起，因其能够生成类人文本、图像和代码而受到全球关注。这些工具基于大语言模型（LLM）和生成式预训练变换器（GPT），用户界面友好，已被广泛应用于教育、金融、医疗和内容创作等领域。然而，尽管GenAI在公共服务交付中的角色日益受到重视，但其在农业推广中的应用仍较少被研究。

农业推广人员作为研究机构与农业社区之间的关键纽带，负责传递技术知识和促进技术采纳。GenAI有潜力支持推广任务，如起草简报、生成教育材料、回应客户咨询和自动化行政工作。但迄今为止，推广专业人员对GenAI工具的认知、理解及使用程度尚未被系统评估。现有文献也未能充分解决与GenAI相关的独特挑战，如数字素养差距、机构准备度和工具特定可用性。

本研究利用田纳西州农业推广人员的调查数据，旨在：（1）探讨推广专业人员GenAI知识与使用的决定因素；（2）识别采纳的关键人口学和机构驱动因素；（3）分析阻碍GenAI工具常规整合的障碍。通过结合描述性统计、回归模型（普通最小二乘法（OLS）、二元和序数逻辑回归）和潜在狄利克雷分配（LDA）对开放性问题进行主题建模，研究揭示了推广人员对GenAI的认知和使用现状。

文献综述

GenAI的演变

人工智能（AI）在过去二十年中显著发展，从基于规则的专家系统转向能够学习和生成复杂输出的灵活数据驱动模型。这一转变得益于三大进展：大规模文本语料库的获取、神经网络架构的进步（尤其是变换器）以及数据与模型规模扩大带来的可预测性能提升。这些进展促成了大语言模型（LLM）（如GPT-3）的兴起，其能够进行少样本学习并生成连贯、上下文感知的响应。2022年ChatGPT的发布标志着GenAI主流化的关键节点，推动了各行业的广泛实验。

如今，GenAI正迅速应用于教育、医疗、营销和软件开发等领域。例如，在教育中，AI助教协助课程规划和个性化反馈；在医疗中，LLM合成临床笔记和模拟患者数据；在软件工程中，GitHub Copilot等工具支持代码完成和调试。Claude和Bard（现Gemini）等平台进一步扩展了生成式生态系统，提供跨领域的对话式AI功能。行业预测估计，全球GenAI市场到2026年将达到65亿美元，突显了预期采纳的规模。

近期研究进一步强调了GenAI的变革潜力和新兴风险。例如，Akpan等人（2025）通过系统文献回顾，记录了GenAI在教育和研究应用中的激增，特别是在实时交互、个性化学习和人机协作方面。这些应用反映了农业推广中的信息和咨询角色，表明跨领域适应的潜力。同样，Calyam等人（2025）研究了GenAI在软件定义网络中的集成，发现了自动化收益和技术限制，其中许多限制与农村农业环境中的基础设施挑战相似。

尽管在其他领域取得进展，农业尤其是推广服务在整合GenAI方面仍较慢，指出存在关键且持续的技术采纳差距。

GenAI在农业中的应用

尽管GenAI在农业中逐渐受到关注，但其当前应用主要限于生产领域，特别是自动化、精准农业和实时决策。GenAI驱动的成像和计算机视觉模型用于作物病害检测、害虫识别和土壤缺乏分析。AI驱动工具还通过整合地理信息系统（GIS）和遥感技术增强田间测绘、灌溉规划和产量预测。在受控环境中，GenAI扩散模型用于模拟果实生长和优化数据收集以支持机器人和智能收割系统。

此外，使用GenAI的预测模型支持智能农业的关键方面，如杂草控制、牲畜健康监测和气候韧性作物规划。这些工具有望降低劳动力成本、提高投入效率和增加可持续性。然而，绝大多数应用仍处于试点阶段或由行业主导的创新，小农户或公共部门农业专业人员对其了解有限。现有研究强调，技术复杂性、成本障碍和用户数字技能差距限制了实际采纳，尤其是在工业农业环境之外。

大多数GenAI解决方案旨在优化生产，而其增强知识传播、沟通和决策支持的潜力仍未得到充分利用。这在低资源或农村环境中尤为相关，因为GenAI可以弥合人力资本差距并改善服务交付。然而，这一承诺在实践中大多未被探索。

近期研究还考察了公共部门背景下GenAI采纳的决定因素。例如，Zhou等人（2025）分析了中国多级政府官员的调查数据，识别出技术准备度、组织双元性、领导支持以及监管清晰度等环境驱动因素作为GenAI采纳的推动力。通过整合这些见解，本研究将文献扩展到农业推广的专业背景，其中本地化知识转移、信任关系和资源约束影响采纳决策。

GenAI在农业推广服务中的角色

尽管GenAI已开始重塑高科技生产领域的农业，但其在农业推广服务中的整合要慢得多。推广人员在将研究转化为实践、提供定制建议和与农民建立信任方面发挥着至关重要的作用。GenAI工具，特别是像ChatGPT这样的语言模型，通过生成个性化内容、总结复杂信息和实时回应农民查询，提供了支持这些功能的独特潜力。

若干试点项目展示了GenAI改善核心推广任务的潜力。例如，ExtensionBot（由推广基金会与俄克拉荷马州立大学合作开发）利用超过36万份推广出版物，生成关于作物管理、害虫控制和土壤肥力的快速、科学支持的咨询响应，这些任务传统上消耗大量代理时间。类似地，FarmerChat（一种GenAI驱动的聊天机器人）可以处理农民关于产量预测、害虫诊断或投入推荐的查询，使代理能够专注于更高价值的面对面互动。最后，Tzachor等人（2023）记录到，基于LLM的聊天机器人可以将复杂的科学发现转化为农民的技术建议， potentially reducing document production turnaround。

尽管有这一潜力，若干障碍阻碍了在推广中的采纳。研究表明，农民和推广人员都面临 significant digital literacy gaps, limited technical training, and inconsistent access to digital infrastructure, especially in rural areas。此外，对AI生成内容可信度的怀疑以及缺乏领域特定工具 contribute to institutional hesitation。许多现有GenAI系统基于通用语料库训练，缺乏本地化农业建议所需的上下文细微差别。

因此，推广专业人员中的采纳仍然是分散和探索性的。尽管像ChatGPT、Claude和Gemini这样的工具正在获得名称 recognition, their routine use in extension workflows is rare。此外，缺乏针对公共部门农业推广现实的政策框架、培训计划和验证用例。

方法论

本研究采用混合方法，结合传统描述性统计与机器学习技术和主题建模，以考察农业推广人员对GenAI工具的知识、使用和采纳。目标不仅是调查熟悉度和使用频率，还探讨GenAI工具知识与使用的决定因素，并通过开放性问题获取关于 perceived challenges and potential applications of GenAI in agricultural extension 的定性见解。为实现这一目标，设计了调查并 administered to extension personnel in Tennessee, and the collected data was analyzed。

研究设计与数据

调查旨在评估推广人员对各种GenAI工具的熟悉度和使用情况，以及他们对实施这些技术所面临挑战和限制的看法。工具包括封闭式问题（测量对ChatGPT、Claude、Llama、Microsoft Bing Chat、Bard和AI Canva/Image Generator等工具的知识水平和使用频率）和开放式问题（邀请推广人员描述遇到的挑战和 envisioned potential applications）。

田纳西州立大学机构审查委员会（IRB协议号HS2023-4961）批准了该调查。调查分为三部分：第一部分捕获受访者对GenAI工具的知识和使用；第二部分关注推广人员对信息与通信技术（ICT）工具的一般培训和经验，包括自我报告的ICT熟练度；第三部分收集关键人口统计学信息，如年龄、性别、教育背景、农业推广工作年限和主要关注领域。

调查通过Qualtrics在线分发，并通过田纳西州推广联合列表服务发送，该列表包括田纳西州立大学（TSU）和田纳西大学诺克斯维尔分校（UTK）雇佣的所有推广人员。鉴于TSU和UTK共享合作推广项目并从同一办公室运营，两机构的推广人员被视为同一操作组。调查于2024年1月启动，初始分发后3周发送了跟进提醒。列表服务由田纳西州的推广人员组成。总共收到144份回应，但考虑到不完整回应（特别是在测量GenAI知识和使用的部分），有效样本量减少。约30名受访者跳过了知识和使用问题，留下114份完整回应用于这些分析，而与ICT使用和人口统计学相关问题的额外缺失数据将样本进一步减少至79个完整案例，用于需要完整信息的模型。

原始调查数据包括54个变量，涵盖GenAI工具知识与使用、感知挑战以及各种人口统计学和ICT相关措施的回应。重新编码了几个关键变量以解决稀疏性并增强可解释性。例如，鉴于原始数据中分类回应的 uneven distribution，将年龄和工作年限的分类回应通过将每个类别映射到其中点转换为连续变量。种族回应通过将低频率组（如西班牙裔/拉丁裔、黑