MétaCan
Menu
Retour à la cohorte
Enregistrement W2561513425 · doi:10.1002/ps.4503

Impact of glyphosate‐resistant sugar beet

2016· review· en· W2561513425 sur OpenAlexaff
Don W. Morishita

Notice bibliographique

RevuePest Management Science · 2016
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueWeed Control and Herbicide Applications
Établissements canadiensKimberly-Clark (Canada)
Organismes subventionnairesnon disponible
Mots-clésGlyphosateSugar beetAgronomyBiologyHerbicide resistanceBiotechnologyWeed control

Résumé

récupéré en direct d'OpenAlex

Glyphosate-resistant (GR) sugar beet became commercially available to US sugar beet growers in 2008 and was rapidly adopted. Prior to the availability of GR sugar beet, growers would commonly make 3-5 herbicide applications. This often resulted in some crop injury, but was accepted to reduce the impact of weeds. In addition, non-GR sugar beet was cultivated 1-3 times and often followed by hand weeding. The introduction of GR sugar beet drastically reduced the complexity of weed management. Concerns about GR weeds in the United States also apply to sugar beet growers. Changes in weed management strategies will be required to keep this technology. Sugar beet is arguably one of the most suitable crops for GR technology because: (1) none of the herbicides registered for use in this crop was very effective without risking crop injury; (2) sugar beet cannot be grown in the same field year after year owing to disease concerns and thus requires a 3-4 year rotation; (3) pollen-mediated gene flow is negligible from the sugar beet crop because it is a biennial and harvested before it flowers; (4) the processing of harvested roots to extract the sucrose rapidly degrades the DNA in the extracted raw juice and subsequent refining so that no DNA is present in the finished sugar; (5) studies have shown that processed GR beet sugar is identical to non-GR beet sugar, as well as cane sugar. © 2016 Society of Chemical Industry.

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)0,000
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: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
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 recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 GPT0,306
Écart entre enseignants0,275 · 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
GenreSynthèse

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

En bref

Citations29
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePest Management ScienceMême sujetWeed Control and Herbicide ApplicationsTravaux en français237 207