DigiGreen/farmerchat-queries-large

FarmerChat农业问答数据集（大型）是一个包含1,446,866个问答对的数据集，数据来源于FarmerChat（一个服务于印度和东非120万以上农民的对话AI助手），由Digital Green发布。数据时间跨度为2024年8月至2026年6月，覆盖肯尼亚、尼日利亚、印度、埃塞俄比亚等国家的农民。所有查询和回复均为英文，数据字段包括资产类型（如作物、牲畜）、资产名称、农民问题、AI回复、用户国家、用户地理二级区域（州或省）、查询年月和语言。数据中个人标识信息（如姓名、电话号码）已被屏蔽为[REDACTED]。数据集用于问答和文本生成任务，专注于农业、耕作、印度和非洲等标签。FarmerChat Agricultural Q&A Dataset (Large) is a dataset of 1,446,866 Q&A pairs from FarmerChat, a conversational AI assistant serving 1.2M+ farmers across India and East Africa, published by Digital Green. The data spans August 2024 to June 2026, covering farmers in Kenya, Nigeria, India, Ethiopia, and other regions. All queries and responses are in English. Data fields include asset type (e.g., crop, livestock), asset name, farmers query, bots response, user country, user geo level2 (state or province), query year-month, and language. Personal identifiers in queries and responses are masked with [REDACTED]. The dataset is intended for question-answering and text-generation tasks, with tags such as agriculture, farming, India, and Africa.

搜集汇总

数据集介绍

构建方式

该数据集源自FarmerChat平台，一个面向印度与东非逾120万农民的人工智能对话助手。数据收集时间跨度为2024年8月至2026年6月，涵盖肯尼亚、尼日利亚、印度、埃塞俄比亚等多国农民发起的英语对话。构建过程中，仅筛选英语偏好用户发起的初始消息，并针对每一条农民提问由系统生成AI回复，最终形成144万余条问答对。所有个人标识信息如姓名和电话号码均以[REDACTED]标记进行脱敏处理，以保障隐私安全。

特点

数据集具备显著的地域多元性与领域细粒度特征。其国家分布以肯尼亚（858,674条）、尼日利亚（296,671条）和印度（238,030条）为主，同时包含埃塞俄比亚等区域数据，呈现鲜明的南亚与撒哈拉以南非洲农业场景。每条记录包含资产类型（如作物、牲畜、通用）及具体资产名称，支持对特定农作物或家畜的问答检索。时间维度按年月标注，便于追踪农业咨询的季节性动态。

使用方法

用户可通过HuggingFace Datasets库便捷加载该数据集，使用`load_dataset("DigiGreen/farmerchat-queries-large", split="train")`命令即可获取训练数据。数据集以Parquet格式存储，预定义字段包括农户提问（query）、AI回复（response）、国家（user_country）、地理二级区域（user_geo_level2）及时间戳（query_year_month）等。适用于农业领域的问答系统微调、对话生成模型训练及跨区域农业知识图谱构建等任务。

背景与挑战

背景概述

在农业智能化转型的浪潮中，对话式AI系统已成为弥合知识鸿沟、赋能小农户的关键工具。FarmerChat Agricultural Q&A Dataset (Large) 由全球发展组织Digital Green于2026年发布，覆盖2024年8月至2026年6月期间来自印度、肯尼亚、尼日利亚、埃塞俄比亚等地区超过144万条问答对。该数据集以农民真实问题与AI生成回复为核心，服务于近120万小农户，旨在推动低资源环境下农业知识问答系统的研究。其规模与地域多样性为构建跨区域、多作物的农业语言模型提供了宝贵基准，对识别作物、牲畜及通用农业咨询模式具有重要学术与应用价值。

当前挑战

该数据集所解决的领域核心挑战在于农业场景下信息不对称与问答系统的落地难题：小农户常面临语言壁垒与知识获取渠道匮乏，而现有NLP模型多针对高资源领域，难以泛化至农业语境中的专有名词、俚语与地域性农事实践。构建过程中，Digital Green需处理农民口语化、拼写歧义严重的英语查询，同时系统性地遮蔽姓名与电话号码等个人标识符以确保隐私合规。此外，由于服务横跨多国，国别间作物类型与种植习惯差异需通过细致的资产分类与分层采样来缓解分布不均，避免模型对肯尼亚、印度等高频地区的过度偏好。

常用场景

经典使用场景

FarmerChat Agricultural Q&A Dataset (Large) 作为农业领域首个大规模、多区域的真实问答语料库，其最经典的使用场景是面向农业智能对话系统的训练与评估。该数据集汇聚了来自印度、肯尼亚、尼日利亚、埃塞俄比亚等国家和地区的超过144万条农民提问与AI生成回答，覆盖作物种植、牲畜养殖、混合问题等多样化的农业主题。研究者可基于此构建端到端的农业问答模型，利用其丰富的地域性、季节性和资产类别信息，训练出具备跨区域农业知识理解与生成能力的对话系统，尤其适用于在真实农业场景下评估模型的鲁棒性与实用性。

衍生相关工作

该数据集的发布催生了多项衍生研究工作，涵盖跨语言农业问答迁移学习、基于地理位置的知识适应、以及农业对话系统的可信度评估等前沿方向。研究者利用其国家与州级标签，探索了在不同农业生态区之间的模型泛化能力；借助查询时间戳，开展了季节性农业问题的动态预测研究。此外，该数据集还常被用作农业预训练语言模型（如AgriBERT、FarmLLM）的微调与评测基准。同时，其CC-BY-4.0开放许可协议也为构建更大规模的农业多模态数据集（如图文问答）提供了坚实的数据基础与参考范式。

数据集最近研究

最新研究方向

FarmerChat-queries-large数据集汇聚了2024至2026年间印度与东非超140万组农事问答对，覆盖作物、牲畜及通用类问题，为农业垂直领域的大语言模型微调与跨区域知识迁移提供了丰沛语料。其来源依托于Digital Green在发展中国家部署的对话式AI助手，真实记录了小农户在耕作、病虫害防治、市场行情等方面的迫切诉求。当前前沿研究方向集中于利用该数据集推动低资源语言环境下的农业智能问答系统构建，探索模型对不同农业生态区和作物品种的泛化能力，并借助其地域标签分析东非与南亚农业实践的异同，进而支撑精准农技推荐与农业生产决策支持系统的落地。