MétaCan
Menu
← Retour à la cohorte
Enregistrement W3211235079 · doi:10.82308/17326

Watershed evaluation of beneficial management practices: the Bras d'Henri watershed-on-farm economics

2009· article· en· W3211235079 sur OpenAlexaboutno aff
Sébastien Rivest

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2009
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Rural Development Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWatershedWatershed managementWater resource managementEnvironmental scienceComputer science

Résumé

récupéré en direct d'OpenAlex

Le projet d'Évaluation des pratiques de gestions bénéfique à l'échelle du basin versant (EBB) est financé par Agriculture Canada (AAAC). Cette étude met l'emphase sur la problématique de pollution diffuse agricole présente dans le sous-bassin versant du Bras d'Henri. Cette étude fait l'estimation de l'impact à la ferme d'une contrainte environnementale croissante et de la performance environnementale et économique des Pratiques de Gestions Bénéfiques (PGB) pour satisfaire une contrainte environnementale. Les objectifs du model était de maximiser les revenus nets agricoles en ce conformant à une contrainte environnemental, à l'utilisation unique des champs, et au respect des besoins nutritionnels des animaux. Les résultats indiquent que la présence d'une contrainte environnementale croissante : (1) réduit l'émission de pollution diffuse agricole, (2) force les habitudes de production à changer, (3) réduit les revenus nets agricole, et (4) fait en sorte que les coûts moyens d'abattement et les coûts marginaux d'abattement augmentent et accélèrent. De plus, soumis à des contraintes environnementales similaires, les fermes sont économiquement gagnantes lorsque la contrainte environnemental est fixée à l'échelle de du bassin versant contrairement à une contrainte environnementale fixée à l'échelle de la ferme.

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)0,003
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,198
Score d'incertitude au seuil0,393

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,045
Tête enseignante GPT0,264
Écart entre enseignants0,219 · 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
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)→Même sujetAgriculture and Rural Development Research→Travaux en français237 207→