MétaCan
Menu
Retour à la cohorte
Enregistrement W4226134307 · doi:10.2478/agri-2021-0015

Sustainable agricultural practices adoption

2021· article· en· W4226134307 sur OpenAlexaff
Tiéfigue Pierrette Coulibaly, Jianguo Du, Daniel Diakité

Notice bibliographique

RevueAgriculture (Pol nohospodárstvo) · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAgriculture Sustainability and Environmental Impact
Établissements canadiensUniversité Laval
Organismes subventionnairesGovernment of Jiangsu ProvinceNational Natural Science Foundation of ChinaNational Science Foundation
Mots-clésAgricultureSustainable agricultureBusinessSustainable Agriculture Innovation NetworkEnvironmental planningNatural resource economicsVariety (cybernetics)Deforestation (computer science)SustainabilityEnvironmental degradationSustainable developmentPopulationEnvironmental resource managementGeographyEconomicsPolitical scienceComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract As it has been practiced for many decades, agriculture has had a significant negative impact on the environment. More land, fertiliser, and pesticides had been used to increase the yield to meet the demands of an expanding population. Consequences included deforestation and soil degradation as well as the extinction of biodiversity, irrigation issues, and pollution, among other things. This has resulted in developing a new type of agriculture known as sustainable agriculture to remedy the situation. Specifically, the goal is to “meet the food and textile needs of society in the present without risking the ability of future generations to meet their own needs.” Using appropriate agricultural practices to implement sustainable agriculture is the most effective method of accomplishing this goal. According to research, farmers’ decisions to effectively adopt sustainable agricultural practices are influenced by a variety of factors. In this paper, we firstly give an overview of sustainable agriculture practices. Then, we review the various factors affecting the adoption of these practices, and finally, we highlight the gap found in the literature.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,478
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,002
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,006
Tête enseignante GPT0,219
Écart entre enseignants0,213 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations44
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgriculture (Pol nohospodárstvo)Même sujetAgriculture Sustainability and Environmental ImpactTravaux en français237 207