MétaCan
Menu
Retour à la cohorte
Enregistrement W2975563189 · doi:10.5539/jas.v11n17p287

Legislation of Pesticides in Citriculture, Community of Cubiteua, Capitão Poço/PA

2019· article· en· W2975563189 sur OpenAlexvenueno aff
Mayra Taniely Ribeiro Abade, Maria Eunice Lima Rocha, J. A. M. Siqueira, Robson Christie Lacerda Siqueira, Fernanda Ludmyla Barbosa de Souza, Lúcio Cunha, Luane Laíse Oliveira Ribeiro, M. S. Ribeiro, Martín Avila, K. C. Millomes

Notice bibliographique

RevueJournal of Agricultural Science · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural and Food Sciences
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLegislationDecreeOrange (colour)LawBusinessAgricultural scienceAgricultural economicsGeographyEnvironmental protectionToxicologyPolitical scienceEconomicsEnvironmental scienceHorticultureBiology

Résumé

récupéré en direct d'OpenAlex

The Brazilian citriculture presents hegemony in the production and export of orange juice. The state of São Paulo is the largest national producer, accounting for 74% of the national production of this fruit. The State of Pará is responsible for 1.02% of the production of Orange in Brazil, of that amount the municipality of Captain Poço is responsible for 57% of the total produced. The objective of this research was to analyze the profile of different producers in compliance with the pesticide legislation. For the development of the work, a survey was carried out based on the Law of Agrochemicals—Law No. 7,802 of July 11, 1989 and the Law of Packaging—Law No. 9,974 of June 6, 2000, in the community of Cubiteua belonging to the municipality of Captain Poço/PA. The producers interviewed were chosen based on planted area and these were typified according to the amount of citrus planted. The percentage of respondents who know Federal Law 7,802/89, rectified by Law 9,974/00 and regulated by Decree No. 4,074/02, is equal to 8%. Both laws are not known to most producers, especially those with the smallest planted area, and as a consequence, they are not being met, leading to environmental, social, economic and human health 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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,229
Score d'incertitude au seuil0,456

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
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 savante0,0010,000
Science ouverte0,0000,001
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 Opus0,022
Tête enseignante GPT0,231
Écart entre enseignants0,209 · 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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetAgricultural and Food SciencesTravaux en français237 207