MétaCan
Menu
Retour à la cohorte
Enregistrement W2095291493 · doi:10.1080/13657300701370333

RELEVANCE OF A RAPID APPRAISAL APPROACH TO IDENTIFY LOCALLY AVAILABLE FEED INGREDIENTS TO SMALL-SCALE NILE TILAPIA ( <i>Oreochromis niloticus</i> L.) AQUACULTURE

2007· article· en· W2095291493 sur OpenAlexaff
M.A. Kabir Chowdhury, Dominique Bureau, M Bose, Madan M. Dey

Notice bibliographique

RevueAquaculture Economics & Management · 2007
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAquaculture Nutrition and Growth
Établissements canadiensUniversity of Guelph
Organismes subventionnairesConsortium of International Agricultural Research Centers
Mots-clésNile tilapiaOreochromisAquacultureTilapiaProductivityBiotechnologyFisheryCommercial fish feedFish farmingProfitability indexBiologyProduction (economics)BusinessFood scienceFish <Actinopterygii>Economics

Résumé

récupéré en direct d'OpenAlex

Applications of a rapid appraisal approach to identify locally available feed ingredients in feed formulation, production, and socio-economics of Nile tilapia aquaculture in Bangladesh are discussed. Three diets of 35%, 30%, and 25% crude protein were formulated using locally available ingredients, and their essential amino acid profiles were assessed for Nile tilapia. Six production scenarios were constructed using these diets and two culture periods of 100 and 150 days were considered. The production scenarios with 35% protein yielded the highest productivity and profitability over the 150-day culture period followed by the 30% protein scenario. Identification of locally available ingredients and their application in small-scale Nile tilapia aquaculture may lead to: (1) increased availability of inexpensive sources of fish production for poor people; (2) increased fish consumption; (3) increased self employment and involvement of women in productive activities; and (4) increased household income to reduce poverty.

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)0,006
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,017
Tête enseignante GPT0,235
Écart entre enseignants0,218 · 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'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

Citations5
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAquaculture Economics & ManagementMême sujetAquaculture Nutrition and GrowthTravaux en français237 207