MétaCan
Menu
Retour à la cohorte
Enregistrement W2745472951 · doi:10.6000/1927-5129.2017.13.70

Study on Cultivators Associating Post Harvest Losses of Onion Vegetable in Sindh’s Mirpurkhas District

2017· article· en· W2745472951 sur OpenAlexvenueno aff
Shakeel Hussain Chattha, Benish Nawaz Mirani, Shakeel Ahmed Soomro, Khalil Ahmed Ibupoto, Irfan Ahmed Shaikh, H. R. Mangio, Ghulam Mujtaba Khushk, Imtiaz Ali Dahri, Abid Ali Abro, Zahееr Ahmеd Khan

Notice bibliographique

RevueJournal of Basic & Applied Sciences · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Economics and Practices
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCropAgricultural scienceToxicologyBusinessNon-invasive ventilationForensic scienceMathematicsBiotechnologyAgroforestryAgronomyMedicineBiologyVeterinary medicine

Résumé

récupéré en direct d'OpenAlex

A study was carried out in Mirpurkhas District of Sindh Province during the year 2015-16, aiming to observe post-harvest losses of onions associated with the cultivators. Following the random sampling 60 respondents were selected from 12 villages of 06 Talukas in the District. Interviews were conducted for the collection of data. Problems expressed were as; high cost of fertilizers (93.33%), high cost of pesticides (93.33%), hand weeding is labour consuming and expensive (91.66%), labour problems during harvesting (85%), ineffective and costly weedicides (80%), lack of knowledge about recommended fertilizers doses for onion crop (80%) and lack of knowledge about improved varieties (68.33%). The problems in marketing of onion include lack of remunerative price (96.66%), fluctuation in market price (93.33%) and high charges of transportation (20%). The present study suggested that training/ awareness programs should be conducted for cultivators regarding establishing technical storage and handling onion problems.

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)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,049
Tête enseignante GPT0,280
Écart entre enseignants0,231 · 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

Citations4
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Basic & Applied SciencesMême sujetAgricultural Economics and PracticesTravaux en français237 207