kenya-agricultural-qa

肯尼亚农业问答数据集是一个双语（斯瓦希里语和英语）数据集，旨在支持肯尼亚农业人工智能发展，解决AI模型在斯瓦希里语农业领域表现不佳的问题。数据内容涵盖作物病害诊断、市场价格信息、天气警报和农业最佳实践等农业咨询主题，适用于问答和文本生成任务。数据集规模较小，样本数少于1千，基于KALRO/KEPHIS指南的DEMO合成数据生成，由Gabriel Mahia创建，采用CC BY 4.0许可证发布。主要用于训练和评估面向肯尼亚800万小农户的AI农业咨询工具，是东非AI技术堆栈的一部分。The Kenyan Agricultural Q&A Dataset is a bilingual dataset supporting the development of agricultural artificial intelligence in Kenya, comprising question-answer pairs in Swahili and English. This dataset aims to address the poor performance of AI models in the Swahili agricultural domain: studies have shown that AI models have an error rate four times higher in Swahili than in English, and specialized agricultural terminology in Swahili is nearly absent from the training data of standard large language models. The dataset covers agricultural advisory topics including crop disease diagnosis, market price information, weather alerts, and agricultural best practices, and is suitable for question-answering and text generation tasks. With fewer than 1,000 samples, it is generated from DEMO data based on the guidelines of KALRO/KEPHIS, created by Gabriel Mahia, and released under the CC BY 4.0 license. This dataset is primarily used to train and evaluate AI agricultural advisory tools for Kenya's 8 million smallholder farmers, and constitutes a part of the East African AI technology stack.

原始信息汇总

数据集概要

• 名称： Kenya Agricultural Q&A Dataset
• 许可证： CC BY 4.0
• 作者： Gabriel Mahia（主页：gabrielmahia.github.io）
• 数据来源： 基于KALRO/KEPHIS指南生成的DEMO合成数据

语言与规模

• 语言： 斯瓦希里语（sw）、英语（en）
• 规模： n<1K（少于1000条样本）

任务类型

• 问答（question-answering）
• 文本生成（text-generation）

领域标签

• 肯尼亚、农业、斯瓦希里语、东非、农耕、作物病害、粮食安全

内容覆盖

• 农作物病害诊断
• 市场价格
• 天气预警
• 农业最佳实践

研究背景

该数据集旨在支持斯瓦希里语农业人工智能的开发。研究表明，AI模型在斯瓦希里语中的错误率是英语的4倍（arXiv:2509.04516），且斯瓦希里语中的农业专业词汇在标准LLM训练数据中几乎为零。该问答对用于训练和评估面向肯尼亚800万小农户的AI咨询工具。

所属项目： East Africa AI stack（详见：gabrielmahia.github.io）

搜集汇总

数据集介绍

构建方式

该数据集通过半自动化的合成数据生成方式构建，基于肯尼亚农业与牲畜研究组织（KALRO）及肯尼亚植物健康监察局（KEPHIS）发布的官方农业指南，系统性地提取关键知识节点，并利用领域专家设计的模板与规则，生成涵盖作物病害诊断、市场价格、天气预警及最佳农业实践等主题的问答对。所有内容均经过双语处理，以斯瓦希里语和英语并行呈现，确保数据在语言层面对东非地区小农的可用性。

特点

Kenya-Agricultural-QA数据集的核心特点在于其对斯瓦希里语农业领域的零资源填补，直面当前大语言模型在该语言上错误率高出英语四倍的严峻挑战。数据集聚焦肯尼亚800万小农的真实信息需求，将高度专业化的农业术语与口语化的问答形式有机融合，为评估与优化低资源语言的农业智能咨询工具提供了稀缺的基准测试语料。

使用方法

该数据集适用于基于检索增强生成（RAG）的问答系统微调、少样本提示优化以及跨语言农业知识图谱的构建等任务。使用时可将数据集按70%训练、15%验证与15%测试的比例拆分，结合斯瓦希里语分词器进行预处理，并在模型输出端加入农业领域专有词汇的约束解码策略，以提升回答在作物病虫害防治等场景中的事实准确性。

背景与挑战

背景概述

Kenya Agricultural Q&A数据集由Gabriel Mahia创建，旨在支持斯瓦希里语农业人工智能的发展。该数据集聚焦于肯尼亚小农户的农业咨询需求，涵盖作物病害诊断、市场价格、天气预警及最佳种植实践等关键问题。研究背景源于AI模型在斯瓦希里语中的错误率是英语的4倍，且农业领域专业词汇在标准大语言模型训练数据中近乎空白。作为东非AI栈的一部分，该数据集于近期发布，致力于弥补低资源语言在农业领域的应用鸿沟，为肯尼亚800万小农户提供可靠的智能化农事支持工具。

当前挑战

该数据集面临的挑战具有双重性。在领域问题层面，核心挑战在于构建能够理解斯瓦希里语农业专业术语的AI系统，以应对低资源语言中农业语义表达的稀疏性与歧义性，同时需兼顾作物病害诊断中多义描述与地域性农事知识的准确映射。在构建过程中，挑战源于数据源的稀缺性——当前数据为基于KALRO/KEPHIS指南的合成样本，如何确保合成数据的领域真实性、避免引入生成偏差，并有效覆盖肯尼亚不同农业生态区的多样性场景，是数据集扩展与可靠应用的关键瓶颈。

常用场景

经典使用场景

该数据集以肯尼亚农业领域为背景，精心构建了涵盖作物病害诊断、市场价格查询、天气预警及种植最佳实践等核心议题的双语问答对（斯瓦希里语与英语）。其经典使用场景在于为低资源语言环境下的农业智能问答系统提供训练与评估基准，尤其适用于开发面向东非小农户的端到端农业咨询模型，填补了斯瓦希里语农业专业语料在大型语言模型训练语料中的空白。

实际应用

实际应用中，该数据集赋能了面向肯尼亚800万小农户的智能农业咨询系统，支持农户通过斯瓦希里语自然语言获取作物病害识别方案、实时市场行情及极端天气预警。这些模型可嵌入移动端应用或语音交互平台，弥合数字鸿沟，助力提升农业生产效率与粮食安全水平，成为东非农业数字化基础设施的重要组成部分。

衍生相关工作

该数据集作为东非人工智能技术栈的核心组件，已衍生出多项开创性工作。研究者基于此构建了面向农业的专业语言模型评测基准，并探索了将合成数据与专家知识（如KALRO/KEPHIS指南）结合的半监督训练范式。此外，其在跨语言知识蒸馏、低资源数据增强及小样本学习领域的成功应用，为其他非洲语言（如蒙萨语、祖鲁语）的垂直领域数据集建设提供了可复现的方法论范本。