Education and the Food-Systems Veterinarian: The Impact of New Information Technologies
Notice bibliographique
Résumé
Food systems educators face a double challenge: (1) the inherent change in scope and perspective from raising animals to producing safe food in an environmentally conscientious manner; and (2) the unprecedented demand for higher education, both nationally and internationally. In the modern world, small numbers of producers are capable of feeding a growing population. As demographics have shifted from rural to urban areas, more global livelihoods are derived from manufacturing and services than from agriculture. Education, as one of those services, is accounting for an increasing percentage of world trade, through the physical translocation of students and, more recently, through online education. Within the veterinary realm, colleges outside the United States seek accreditation to better compete for students, and there is increasing pressure from private schools. Today's food systems require a high level of veterinary expertise, with specialization in a particular production system as well as the ability to contribute as part of a larger team that can address economic, bio-security, biological-waste, animal-welfare, food-safety, and public-health concerns. The need for different expertise from food systems specialists (indeed, shortages of all types of veterinary specialists), combined with global competition in education, is a call to action for the veterinary profession. This is an opportunity to revisit and reorganize the delivery of veterinary education, making use of new collaborative technologies for greater efficiency and effectiveness.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».