MétaCan
Menu
Retour à la cohorte
Enregistrement W3080503259 · doi:10.4000/etudescaribeennes.18313

Analyse des pratiques agricoles dans le bassin versant de la rivière Mulet (Roche-à-Bateau, Haïti) et de leur impact sur la dégradation du milieu et les conditions de vie des communautés

2020· article· fr· W3080503259 sur OpenAlexaff
Zurcher Mardy, Sebastian Weissenberger, Jean‐Philippe Waaub

Notice bibliographique

RevueÉtudes caribéennes · 2020
Typearticle
Languefr
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Rural Development Research
Établissements canadiensUniversité TÉLUQUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésForestryGeographyHumanitiesArt

Résumé

récupéré en direct d'OpenAlex

Des pratiques agricoles erronées adoptées par les exploitants pour garantir la production peuvent conduire à des perturbations socio-écologiques au sein de bassins versants. Le bassin versant de la rivière Mulet dans le département Sud en Haïti, a été retenu comme cas d’étude dans l’objectif d’analyser le mode de fonctionnement de ses exploitations agricoles en vue d’identifier les effets que peuvent avoir des pratiques mises en œuvre dans les systèmes de production. À l’effet des pratiques agricoles s’ajoutent les perturbations liées aux conditions climatiques que subit le bassin versant. Nous avons mené une trentaine d’entrevues avec des chefs d’exploitations agricoles ainsi que des entretiens de groupe dans les différents segments du bassin versant (amont, milieu, aval), afin de comprendre les liens existant entre les pratiques agricoles utilisées par les exploitants et la dégradation des ressources naturelles (eau, sol, matière ligneuse). Aussi, des observations directes de terrain ont été réalisées. L’analyse des informations recueillies permet de comprendre que le couplage des pratiques agricoles adoptées par les exploitants et les effets des événements météorologiques extrêmes contribue à la dégradation du bassin versant et, du coup, expose les riverains aux désastres et catastrophes naturelles et à l’insécurité alimentaire.

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)0,001
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 enseignants0,415
Score d'incertitude au seuil0,952

Scores Codex et Gemma par catégorie

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 technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,025
Tête enseignante GPT0,292
Écart entre enseignants0,267 · 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

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueÉtudes caribéennesMême sujetAgriculture and Rural Development ResearchTravaux en français237 207