MétaCan
Menu
Retour à la cohorte
Enregistrement W2736201289 · doi:10.23917/warta.v19i3.2799

PENINGKATAN PENDAPATAN UKM MELALUI PENGUASAAN TEKNOLOGI PAKAN LELE DAN PEMANFAATAN LIMBAH LOKAL DESA JATISARI KECAMATAN JATISRONO, KABUPATEN WONOGIRI

2017· article· en· W2736201289 sur OpenAlexaff
Rochmi Widayanti

Notice bibliographique

RevueWarta LPM · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood and Agricultural Sciences
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésCatfishAgricultural scienceBusinessIBMBusiness planFish <Actinopterygii>Operations managementBenefit–cost ratioProduction (economics)MarketingEngineeringEnvironmental scienceEconomicsFisheryBiology

Résumé

récupéré en direct d'OpenAlex

IbM activities carried out in the village Jatisari, local village government has formed groups of fish farmers, but due to constraints in the high feed costs, the number of farmers began to decrease from 20 to less than 5 people catfish farmers. Constraints, high feed costs caused by dependence on the feed manufacturers and fish farmers group is limited knowledge about the creation of alternative feed. Limitations in managing the business also experienced group of fish farmers, especially in production planning and financial of the business, through the program IbM, expected these problems can be finished.The IbM program consist of:(1)business management training (business plan), (2) training of feed manufacturing catfish with the use of local waste and can be as alternative feed, (3) training on mastery of engine technology prill fish pellets simple and integrated with dryers that can be used as an alternative to the rainy season. Outcomes of this program can be formed business group catfish farmers are independent, able to manage the business properly, can make alternative feed and capable of implementing the technology.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,110

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0330,005

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 GPT0,241
Écart entre enseignants0,211 · 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWarta LPMMême sujetFood and Agricultural SciencesTravaux en français237 207