State-Aware Reasoning for Explaining Contradictory Agronomic Evidence with Multiform Outputs

Vassilios Diakoloukas; Yiorgos Fragkogiannis; Olympia Ageli

9 Σεπτεμβρίου 2026

Η AIGROW στο SETN 2026: εξηγώντας τα αντικρουόμενα αγρονομικά δεδομένα

Η ομάδα R&D της AIGROW παρουσίασε στο 14ο Συνέδριο Τεχνητής Νοημοσύνης της ΕΕΤΝ (SETN 2026) στα Χανιά μια μέθοδο που εντοπίζει και εξηγεί τις αντιφάσεις ανάμεσα σε δορυφόρο, αισθητήρες, καιρό και μοντέλα καλλιέργειας.

Τίτλος εργασίας: State-Aware Reasoning for Explaining Contradictory Agronomic Evidence with Multiform Outputs
Συγγραφείς: Vassilios Diakoloukas¹, Yiorgos Fragkogiannis², Olympia Ageli²
¹ School of ECE, Technical University of Crete, Chania
² R&D, AIGROW, Athens
Συνέδριο: Proceedings of the 14th EETN Conference on Artificial Intelligence (SETN 2026) · Χανιά, Ελλάδα · ACM
Ημερομηνία: Σεπτέμβριος 2026
ISBN: 979-8-4007-2967-6
Λέξεις-κλειδιά: contradictory evidence
state-aware reasoning
LLMs
XAI
multiform outputs
smart agriculture

Περίληψη

Smart agriculture platforms integrate heterogeneous agronomic evidence, including simulation, EO, IoT, weather API, operational log and diagnostic subsystem. These sources often provide contradictory signals, yet most systems process them in isolation or collapse them into final recommendations without explanation. This paper presents a state-aware reasoning framework for agronomic decision support, where heterogeneous inputs are structured into a shared contextual state. Reasoning over this state enables the detection of contradictions and the generation of explanatory outputs. The contribution lies in decision-support explainability under contradictory scenarios, where multiform outputs combine text, tables and plots to interpret contradictions. Evaluation on five representative scenarios drawn from smart-agriculture shows that state-aware explanations improve contradiction detection, coverage, source attribution, reasoning quality, and actionability, compared to text-only baselines.

BibTeX

@inproceedings{diakoloukas2026state,
  title = {State-Aware Reasoning for Explaining Contradictory Agronomic Evidence with Multiform Outputs},
  author = {Vassilios Diakoloukas and Yiorgos Fragkogiannis and Olympia Ageli},
  booktitle = {Proceedings of the 14th EETN Conference on Artificial Intelligence (SETN 2026)},
  year = {2026},
  publisher = {ACM},
  isbn = {979-8-4007-2967-6},
  keywords = {contradictory evidence, state-aware reasoning, LLMs, XAI, multiform outputs, smart agriculture},
  month = {sep}
}

Ένα σύστημα υποστήριξης αποφάσεων για το χωράφι δεν έχει ποτέ μία μόνο πηγή αλήθειας. Το μοντέλο προσομοίωσης λέει ένα πράγμα, ο δορυφόρος άλλο, ο αισθητήρας υγρασίας τρίτο, και στο ημερολόγιο εργασιών έχει καταγραφεί ένα πότισμα που «δεν φαίνεται» στα δεδομένα. Τα περισσότερα συστήματα είτε εξετάζουν κάθε πηγή χωριστά είτε δίνουν μια τελική σύσταση χωρίς να εξηγούν τι συγκρούστηκε.

Στην εργασία μας, που δημοσιεύεται στα πρακτικά του SETN 2026 (ACM), προτείνουμε ένα πλαίσιο όπου όλες οι πηγές οργανώνονται σε μια κοινή «κατάσταση» του αγρού. Πάνω σε αυτήν, το σύστημα:

εντοπίζει τέσσερις τύπους αντίφασης: διαφορά τιμών ανάμεσα σε πηγές, ασυμφωνία ενέργειας και παρατήρησης, χρονική απόκλιση, απόκλιση μοντέλου και πραγματικότητας·
σταθμίζει τις ενδείξεις με ντετερμινιστικό τρόπο και υπολογίζει μια τιμή συναίνεσης·
εξηγεί το αποτέλεσμα με κείμενο και, όπου βοηθά, πίνακες και γραφήματα, μέσω μεγάλου γλωσσικού μοντέλου.

Σε πέντε σενάρια ευφυούς γεωργίας (βαμβάκι και σιτάρι, Ορχομενός), οι εξηγήσεις «με επίγνωση κατάστασης» ξεπέρασαν τις βάσεις αναφοράς που χρησιμοποιούν μόνο κείμενο στον εντοπισμό αντιφάσεων (ακρίβεια 0,92 έναντι 0,66 και 0,86), στην κάλυψη, στην απόδοση της απόκλισης στη σωστή πηγή (0,96 έναντι 0,27 και 0,86) και στη χρησιμότητα για δράση. Τρεις γεωπόνοι βαθμολόγησαν τις εξηγήσεις με 4,3 έως 4,6 στα 5.

Η έρευνα αυτή τροφοδοτεί την κατεύθυνση των εργαλείων μας, ώστε η τεχνητή νοημοσύνη να μη λέει μόνο τι να κάνετε, αλλά και γιατί, ακόμη κι όταν τα δεδομένα διαφωνούν.