MétaCan
Menu
Retour à la cohorte
Enregistrement W2547630661 · doi:10.5539/jas.v8n12p181

Taro (Colocasia esculenta)-An Important Staple Food for the General Population of Fiji Islands

2016· article· en· W2547630661 sur OpenAlexvenueno aff
Laurence Shiva Sundar

Notice bibliographique

RevueJournal of Agricultural Science · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiquePacific and Southeast Asian Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésColocasia esculentaLivelihoodEconomic shortageCroppingStaple foodPopulationProduction (economics)AgricultureGeographyAgroforestryBusinessAgricultural economicsToxicologyAgricultural scienceSocioeconomicsBiologyEconomicsEnvironmental healthGovernment (linguistics)EcologyMedicine

Résumé

récupéré en direct d'OpenAlex

Taro production in Fiji is fluctuating in a yearly basis due to presence of devastating pests and diseases. Lack of knowledge in controlling these pests and diseases and the availability of controlling resources is another problem, which farmers in Fiji are currently facing. Taveuni being the largest supplier of taro in Fiji, is experiencing problems related to mono-cropping which in cooperates problems like soil degradation, unwanted weeds and minor pests and diseases. This research article mainly focuses on pests and diseases associated with taro production in Fiji and possible control measures to help farmers in Fiji to enhance their knowledge in controlling these pests and diseases. A thorough survey of taro farmers and exporting companies in Fiji was done to evaluate the problems that have directly or indirectly affected taro production in Fiji in previous years. As shown in figure 2, Fiji has experienced the shortages of taro in the year 2010, 2012 and 2014 as a result of increasing pest and diseases. This shortage not only has affected the demand from overseas market but also farmers in terms of earning for their livelihood. If these problems are not solved at an earliest, the taro industry in Fiji may collapse resulting in greater number of problems in future.

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)0,002
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,397
Score d'incertitude au seuil0,580

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
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 Opus0,026
Tête enseignante GPT0,304
Écart entre enseignants0,278 · 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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetPacific and Southeast Asian StudiesTravaux en français237 207