MétaCan
Menu
← Retour à la cohorte
Enregistrement W3117232712 · doi:10.18280/ijsdp.150817

Farmers’ Willingness as Well as Its Compensation Strategy to Prevent and Control Agricultural Non-Point Source Pollution in Water Source Areas-Based on a Comparative Analysis of Pesticide and Fertilizer Inputs

2020· article· en· W3117232712 sur OpenAlexvenueno aff
Jie Lin, Jianlin Pan

Notice bibliographique

RevueInternational Journal of Sustainable Development and Planning · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiquePharmaceutical and Antibiotic Environmental Impacts
Établissements canadiensnon disponible
Organismes subventionnairesZhejiang UniversityZhejiang University of Water Resources and Electric Power
Mots-clésFertilizerAgriculturePesticideAgricultural scienceCompensation (psychology)Environmental sciencePollutionAgricultural economicsAgricultural engineeringEconomicsAgronomyEngineeringEcologyPsychologyBiology

Résumé

récupéré en direct d'OpenAlex

This paper took the voluntary pesticide and fertilizer reduction ratios of the farmers as the substitute variables for farmers' willingness to prevent and control the agricultural non-point source pollution. Then, the paper adopted an improved double-bounded dichotomous choice (DBDC) to obtain farmers’ voluntary pesticide and fertilizer reduction ratios and the corresponding compensation attitudes of the farmers. The research found that, in contrast to fertilizers, pesticides are a stronger output-related factor for farmers, and any reduction in pesticides would cause great output fluctuations. After the influencing factors of the farmers’ compensation attitude towards pesticide and fertilizer reduction were subject to ordinal regression analysis, the main influencing factors of farmers’ compensation attitude towards fertilizer and pesticide reduction were obtained respectively, which had further proved that for farmers, compared with pesticides, the risk of fertilizer reduction is lower, and their attitudes are quite different, but as long as the compensation is sufficient, they are willing to take more stringent measures.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,002
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
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 savante0,0010,001
Science ouverte0,0000,000
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 Opus0,019
Tête enseignante GPT0,276
Écart entre enseignants0,257 · 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

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Sustainable Development and Planning→Même sujetPharmaceutical and Antibiotic Environmental Impacts→Travaux en français237 207→