Creación de un nuevo bien común para las cooperativas agrícolas
Notice bibliographique
Résumé
La utilización de Big Data y de las TICs a gran escala en la agricultura es considerada como una solución para hacer frente al cambio climático, la degradación del medio ambiente, las limitaciones del suelo y del agua, la necesidad de optimizar los recursos, reducir los costes y aumentar la trazabilidad y la seguridad alimentaria, entre otros argumentos convincentes. Sin embargo, también ha dado lugar a desequilibrios de poder, barreras a la inversión, un acceso reducido al conocimiento y una menor capacidad de los agricultores y las PYMES para controlar sus actividades relacionadas con la agricultura y beneficiarse de ellas. En este documento se examinan las cuestiones jurídicas, de gobernanza, institucionales y económicas que pueden surgir en el desarrollo de una cooperativa de datos u otras estructuras equitativas de intercambio de datos, teniendo en cuenta las fuentes de datos públicas y privadas, y las múltiples partes interesadas. Se presenta una muestra de ejemplos exitosos de intercambio de datos, incluyendo cooperativas, y un caso de prueba para las cooperativas de Almería, España. Esta investigación se inscribe en el contexto del proyecto EU H2020 Internet of Food and Farm (IoF2020) y el desarrollo de modelos de negocio innovadores para compartir datos. En lugar de recurrir a los acuerdos clásicos de contratación para compartir datos, como los propuestos por el Copa-Cogeca entre otros, se propone que se utilice un enfoque de “data commons”, de acuerdo con la teoría de los Sistemas Socio-Ecológicos de Elinor Ostrom, para conseguir una solución cooperativa a este complejo desafío. Al elegir un enfoque cooperativo, los beneficios para los agricultores pueden ir más allá de la “monetización” de los datos y contribuir a salvaguardar el medioambiente.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».