Notice bibliographique
Résumé
Core Ideas Social media data provide quantitative and qualitative data on agricultural practices. Twitter data accurately captures timing of crop planting across the United States. Maximum positive sentiment in planting tweets aligned with optimal planting period. Opportunities for mapping emerging agricultural issues and targeted intervention. Challenges include data availability and representativeness of social media users. The use of social media in scientific research is rapidly increasing, typically focusing on discrete events of interest to many people and/or spatially mapping a variable of interest. Relatively little research has been done on the utility of social media for monitoring the spatiotemporal patterns of day‐to‐day life, and none within the agricultural sciences. Here, I discuss the potential applications and limitations of social media data for agricultural research. As an example, I demonstrate the ability of Twitter to map state‐level corn and soy planting progress in the conterminous United States. Results compare favorably to traditional survey‐based crop progress monitoring, with mean absolute differences of <10% for most state‐crop combinations. I also highlight the additional contextual information available from social media data including factors contributing to replanting decision‐making and the evolution of farmer sentiment through time. Using analogs from other disciplines, I then discuss key opportunities and challenges for agricultural research using social media. Social media is particularly well‐suited for identifying emerging agricultural issues (e.g., weather, crop pests) and guiding extension and outreach directly to affected areas. However, limited data and unknown representativeness of social media users relative to the overall agricultural population are challenges which must be addressed for social media‐based agricultural research in the 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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 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 | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».