一个用于分析作物顾问对基于人工智能的决策支持系统偏好的社会技术框架

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：A socio-technical framework for analyzing crop advisors' preferences for AI-based decision support systems

　　

作者名单：Maaz Gardezi、Indunil Dharmasiri、Asim Zia、Donna M. Rizzo、Scott C. Merrill、Benjamin E.K. Ryan、Halimeh Abuayyash、Pablo Carcamo、Bhavna Joshi、David Clay、John McMaine 所属机构：美国弗吉尼亚理工大学（Virginia Tech）

摘要

基于人工智能的决策支持系统（AI-DSS）通过融合实时数据和历史数据来重塑农业决策过程，从而提高生产力、环境绩效和气候适应能力。除了预测功能外，这些现代工具还提供分类、建议和调度服务，将生态系统服务与农场管理、市场和政策联系起来。然而，农业领域对这些系统的采纳情况并不均衡，这往往反映出系统设计与用户需求之间的矛盾。我们通过与北美地区的认证农作物顾问（Certified Crop Advisors, CCA）进行的离散选择实验来量化这些权衡，并使用贝叶斯层次多项逻辑模型来估计他们的偏好。实验中改变了四个核心要素：成本、预测准确性、空间精度和数据所有权，以揭示顾问在现实市场环境下对不同系统配置的评估。研究结果表明，技术性能固然重要，但成本和数据所有权（尤其是共享或开放模型）对于决策选择至关重要。顾问更倾向于那些能够补充而非替代专业判断的系统，他们重视可编辑的工作流程、本地校准和实地验证功能。这些发现提示我们应采用一种结合 AI 性能、数据治理、透明度以及人为参与的设计方法来开发农业 AI-DSS。我们建议开发者和政策制定者与用户共同参与开发，以确保工具可靠、公平且适应不同农场和咨询情境的需求。

引言

长期以来，基于过程或物理的模型一直通过帮助食品和农业系统的利益相关者平衡各种目标（如提高作物产量和农场盈利能力，同时减少水质量、温室气体排放和生物多样性丧失等负面外部性）来支持农业和环境决策。然而，最近在精准农业（Precision Agriculture, PA）领域，人工智能决策支持系统（AI-DSS）在准确性和精确度方面的进步已经开始超越传统建模方法（Liu 等，2024）。在本文中，我们使用“AI-DSS”来指代基于数据驱动和机器学习（ML）的工具；在相关文献中，这些工具也常被称为“智能决策支持系统”（Intelligent DSS, IDSS）。鉴于我们的实证研究重点，我们仍使用“AI-DSS”这一术语以便清晰表达。这些基于 AI 的模型能够生成环境指标的估算结果，包括一氧化二氮排放、养分损失、土壤健康状况变化以及这些指标对保护措施实施和农场管理调整的反应。在人类与机器共存的时代，农学、计算机科学和社会科学的研究人员致力于设计能够支持农业食品系统内各方合作的 AI-DSS——将农民、作物顾问、服务提供者、合作社、保险公司和公共机构联系起来，并将多样化的数据转化为预测结果、分类建议、调度安排、合规性评估和情景规划（Lindblom 等，2017；Zhai 等，2020；Gardezi 等，2023）。

尽管技术性能有所提升，但 AI 在农业领域的应用仍存在不均衡现象。其采用程度因作物种类、地区和农场规模而异，并且关于数据所有权、隐私和可负担性的担忧仍然存在，这对农业领域的公平性产生了影响（Adereti 等，2023；Gardezi 等，2022）。认证农作物顾问（CCA）处于早期采用 AI-DSS 技术的独特位置，他们能够提供关于该技术推广障碍和促成因素的关键见解。CCA 是受过培训并具备资质的农业专业人士，为农民提供关于作物和牲畜管理、土壤管理及养分施用的科学建议。直到最近，CCA 仍主要依据基于过程的模型（输入数据包括土壤测试结果、天气数据和产量数据）向农民提供建议。然而，一些早期 adopters 已开始使用 AI-DSS 技术为农民推荐产品和服务（Clay 等，2024）。CCA 是可靠的信息来源，能够作为知识中介或桥梁，将技术知识与农民需求连接起来。尽管已有大量研究探讨了CCA 作为农学和气候信息提供者的角色（Prokopy 等，2015；Compagnone 和 Simon，2018），但我们仍对CCA 在 AI-DSS 设计方面的偏好知之甚少。

本研究采用离散选择实验（Discrete Choice Experiment, DCE）结合联合分析方法，来评估CCA 对不同成本结构、准确性和精度水平以及数据所有权模型的 AI-DSS 工具的偏好。虽然许多 AI-DSS 强调预测输出（如产量或风险预测），但农业 DSS 也提供分类（如害虫/疾病检测）、建议（如变量剂量施肥）和调度（如灌溉时间安排）等功能。我们研究的 AI-DSS 属性（成本、准确性、空间精度和数据所有权）具有普遍性。这些属性的选择是通过与价值链各环节利益相关者（包括CCA）的焦点小组讨论确定的，并在北美范围内的 CCA DCE 中进行了大规模测试（详见方法部分）。通过分析CCA 如何权衡这些关键属性，本研究揭示了市场对 AI-DSS 配置的需求。我们还探讨了信任和接受度最有可能产生的条件，包括顾问对隐私和 AI 建议的态度。我们的分析将顾问特征和态度与他们对系统功能的偏好联系起来，以识别出能够补充而非替代专业判断的可靠 AI-DSS 配置。本文探讨了两个主要研究问题：(a) 关于成本、准确性、精度和数据所有权的决策选择如何影响 AI-DSS 在假设市场中的被选概率？(b) 如何看待对 AI 建议的信任及其对隐私的态度会影响作物顾问对 AI-DSS 功能的偏好？本文的后续部分结构如下：第 2 节回顾相关文献，第 3 节概述研究方法，第 4 节呈现结果，第 5 节讨论未来在设计和开发更可靠的 AI-DSS 方面的研究议程。

章节摘要

AI-DSS 的技术格局

地面和卫星上的传感器、数据驱动模型以及人工智能将改变食品和农业系统。精准农业（Precision Agriculture, PA）涵盖一系列数据密集型智能农耕技术，旨在帮助农场管理者做出特定地点、精确且及时的管理决策（Finger 等，2019；Visccarra Rossel 和 Bouma，2016）。PA 将信息技术整合到农业机械和管理中，利用了远程卫星等创新技术...

提出的研究方法

离散选择实验（Discrete Choice Experiment, DCE）是一种广泛用于社会科学（特别是在市场营销和经济学领域，Shang 和 Chandra，2023；Holmes 等，2017）的常用方法。该方法源于随机效用理论（McFadden，1974），该理论认为个体决策基于产品或服务的特性（客观因素）以及一定程度的不确定性（随机因素）。这种结合使得...

描述性统计结果

讨论

随着人工智能继续推动农业领域智能决策支持系统（AI-DSS）的发展，政策制定者和技术开发者都构想了一个未来场景：作物顾问与 AI 工具将定期合作，共同应对复杂的农业挑战。作为可信的知识中介，作物顾问在连接先进数字工具与农业实际需求方面发挥着关键作用。通过提升他们的 AI 能力，可以进一步增强他们的作用...

结论

本研究探讨了认证农作物顾问（CCA）对基于人工智能的决策支持系统（AI-DSS）各功能的偏好，重点关注信任和隐私问题对其采纳决策的影响。研究结果表明，即使系统成本较高，CCA 也更重视高准确性和精度的系统。数据所有权也是一个重要因素。允许用户保留数据所有权的 AI-DSS 工具...

致谢

本研究得到了美国国家科学基金会（National Science Foundation，Grant Number 2202706 和 2026431）以及美国农业部国家食品和农业研究所（USDA National Institute of Food and Agriculture，Award No. 2023-67023-40216）的支持。本文中的任何观点、发现、结论或建议均代表作者个人观点，不一定反映国家科学基金会或美国农业部的立场。

作者贡献声明

Maaz Gardezi： 负责撰写初稿、可视化、验证、监督、软件开发、资源协调、方法设计、数据收集、概念构思。 Indunil Dharmasiri： 负责审稿编辑和初稿撰写。 Asim Zia： 负责审稿编辑、方法设计及资金争取。 Donna M. Rizzo： 负责审稿编辑和资金争取。 Scott C. Merrill： 负责审稿编辑。

Maaz Gardezi 是弗吉尼亚理工大学公共与国际事务学院的副教授。