Notice bibliographique
Résumé
Maize (Zea mays) is always preferred to other crops, and it is fast becoming an industrial crop in Sub-Saharan African countries. Nigeria has been divided into low, medium, medium to high and high maize production potential groups. Traditionally, maize was mostly grown in forest ecology in Nigeria but large scale production has moved to the savanna zone, especially the Northern Guinea savanna, where yield potential is much higher. Maize yields in Nigeria is still very low due to biotic, abiotic agronomic factors like soil infertility, pests and diseases, drought, unavailability of improved germplasms, weeds, unremunerative prices, uncertain access to markets etc. Maize pests and diseases in Nigeria include downey mildew, rust, leaf blight, stalk and ear rots, leaf spots and maize streak virus, Striga attack, stem borers, termites, storage insects, beetle etc. Collaborative research efforts in Nigeria led to development of agronomic package for maize production for different farming systems. There are different readily-available ethnic maize dishes in Nigeria and due to lower cost and high starch contents, maize is commonly used as roughage feed for livestock, and also included in poultry feeds. Importance of maize as an easily harvested crop food with potential to mitigate food insecurity and alleviate poverty cannot be over-emphasized in the developing world. Key words: Agronomy, ethnic foods, food insecurity, fertilizer, maize, sub-sahara Africa.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».