MétaCan
Menu
Retour à la cohorte
Enregistrement W1506775907

Biotechnology and Agriculture: The C ommon Wisdom and its Critics

2001· article· en· W1506775907 sur OpenAlexaboutno aff
Mark Sagoff

Notice bibliographique

RevueIndiana Journal of Global Legal Studies · 2001
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGenetically Modified Organisms Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAgricultureSubsidyEconomicsScarcityPeasantBushelAgricultural economicsMarket economyInternational tradeBusinessGeography
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

When I was a child, my mother implored me to eat everything on my plate because people are starving in Africa. The non sequitur was apparent, even to me. The amount of food children in wealthy countries waste has little or no effect on the amount children in poorer nations have to eat. Industrial economies produce vast farm surpluses. In spite of these surpluses, many of the world's poor will go to bed hungry. Food shortages arise because of failures in distribution, not in production. This is the common wisdom many analysts accept.1 If this common wisdom is correct, agricultural biotechnology will affect industrial economies and peasant economies differently. In many industrial economies, for example, in the United States and in Europe, three chronic problems plague agriculture: glut, glut, and more glut. Even without the benefit of biotechnology, farm commodities flood markets and drive prices below costs?leading to trade wars as European, Australian, Canadian, and South American producers compete for buyers. Bailouts, payments for not growing crops, and export subsidies have been hallmarks of farm policy. Price is the clear indicator of plenty and scarcity. If goods are scarce relative to demand, prices rise; if they are plentiful, prices fall. Last year, prices paid to wheat farmers on the Great Plains fell to $2.06 per bushel?the same price as in 1866 in nominal terms, i.e., with no adjustment for inflation.2 Surpluses beset

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,758
Score d'incertitude au seuil0,228

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,031
Tête enseignante GPT0,281
Écart entre enseignants0,249 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2001
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIndiana Journal of Global Legal StudiesMême sujetGenetically Modified Organisms ResearchTravaux en français237 207