MétaCan
Menu
Retour à la cohorte
Enregistrement W3017620

Living with Livestock: Dealing with Pig Waste in the Philippines

2001· preprint· en· W3017620 sur OpenAlexaboutno aff
Ma. Angeles O Catelo, Moises A. Dorado, Elpidio M. Agbisit

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2001
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Systems and Practices
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLivestockAgricultureEnvironmental hazardGeographyHazardEnvironmental protectionDamagesPollutionEnvironmental scienceBusinessEcologyForestryBiology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

As livestock production increases worldwide, livestock waste is becoming a serious environmental hazard. In some cases, the damages have been spectacular and even tragic. In June 1995, the artificial waste lagoon at a hog farm in North Carolina burst. The sudden release of nearly 100 million litres of hog urine and feces polluted neighbouring communities and killed millions of fish in nearby rivers (Worldwatch, March/April, 2001). In 2000, drinking water contaminated by livestock waste led to several deaths in the small Canadian town of Walkerton. In other cases, livestock waste causes continuous and pervasive damage to people's health and the environment. This study investigated a number of solutions and highlighted those that could mitigate the problem - given adequate support from policy makers. To find out the actual situation on the ground, the study looked at both the on-site and off-site impacts of hog farming in Majayjay. 176 households were surveyed, including 82 households of swine raisers and 94 households that live within a 20-meter radius of a hog farm. An additional comparative survey was made of 50 households that were not affected by air pollution from the farms.

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)0,001
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 enseignants0,026
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0030,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,043
Tête enseignante GPT0,277
Écart entre enseignants0,235 · 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

Citations6
Publié2001
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetAgricultural Systems and PracticesTravaux en français237 207