MétaCan
Menu
Retour à la cohorte
Enregistrement W2092595299 · doi:10.5539/ijb.v2n1p174

Healthy Culture of Aquatic Animals and Development of Green Fishery Medicine

2010· article· en· W2092595299 sur OpenAlexvenueno aff
Guangjun Wang, Xidong Mou, Guangping Yin, Qingshen Liu

Notice bibliographique

RevueInternational Journal of Biology · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePhysical Activity and Education Research
Établissements canadiensnon disponible
Organismes subventionnairesEarmarked Fund for Modern Agro-industry Technology Research System
Mots-clésFisheryBusinessAquatic environmentQuality (philosophy)Ranking (information retrieval)BiologyEcology

Résumé

récupéré en direct d'OpenAlex

Since reforming and opening to the outside world, Chinese aquiculture has developed very quickly. The total output ofaquiculture has been ranking first in the world over ten years, but it still has many problems. In this article, manyproblems are listed about Chinese aquiculture, which has seriously influenced the quality of aquatic products anddestroyed the whole aquiculture ecological environment, so it is imperative under the situation to implement healthyculture. At the same time, the actuality of Chinese healthy culture is analyzed, and healthy culture has been developedin freshwater and sea water. Healthy culture comes down to many aspects, and it is a very important part to reasonablyuse fishery medicines. The using of fishery medicines should start from many aspects including medicine materials,cause of disease, environment, aquatic animals, and human health, and only to use medicines intentionally andeffectively can achieve the effect of preventing and treating diseases. The green fishery medicine is one most effectivedevelopment direction at present to use medicines reasonably. Green fishery medicines include fishery vaccine, Chineseherbal medicine preparation, animalcule preparation, and biologic fishery medicines.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,033
Tête enseignante GPT0,363
Écart entre enseignants0,329 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of BiologyMême sujetPhysical Activity and Education ResearchTravaux en français237 207