MétaCan
Menu
Retour à la cohorte
Enregistrement W2917110306

Impact of Crop Improvement and Management: Winter-Sown Chickpea in Syria

2018· book· en· W2917110306 sur OpenAlexaboutno aff
Ahmed Mazid

Notice bibliographique

RevueMELSpace (ICARDA (The International Center for Agricultural Research in Dry Areas)) · 2018
Typebook
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGenetic and Environmental Crop Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCropCrop managementAgronomyGeographyAgroforestryEnvironmental scienceBiology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Chickpea (Cicer arietinum L.) is an annual grain legume or 'pulse' crop used extensively for human consumption. Dried chickpea seed is commonly used in soup in India, while in the Middle East and elsewhere it is more frequently cooked and blended with rice dishes. The primary use in Syria is to prepare the homus bet-hina dish or falafel. Major chickpea producing countries include India, Pakistan, Mexico, Turkey, Canada, Syria, and Australia. Chickpea accounts for over 20% of world pulse production, and is the most important pulse crop after dry bean and pea. Chickpea provides important economic advantages to smallholder farm households: it is a source of protein (an alternative to meat) and a source of cash income, and improves soil quality when grown as a break crop in cereal-dominated farming systems. Despite the importance of chickpea, yields in Syria – and many other developing countries – have remained very low. The major constraints to productivity are the low yield potential of landraces, their susceptibility to biotic and abiotic stresses, and poor cultural practices. In Syria, chickpea is traditionally sown during spring on conserved soil moisture, if winter rainfall has been sufficient. Productivity is limited mainly by terminal drought and vascular wilt. With increasing pressure on land in Syria, profitability of spring chickpea is declining relative to other crops. This is a major reason for fluctuating or declining area and production.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,578
Score d'incertitude au seuil0,508

Scores Codex et Gemma par catégorie

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

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 Opus0,044
Tête enseignante GPT0,305
Écart entre enseignants0,262 · 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 tête enseignante, 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

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMELSpace (ICARDA (The International Center for Agricultural Research in Dry Areas))Même sujetGenetic and Environmental Crop StudiesTravaux en français237 207