MétaCan
Menu
Retour à la cohorte
Enregistrement W4242632780 · doi:10.24908/iqurcp.8595

Analysis of the Organic Beef Markets in Ontario and Alberta: A Case Studies Comparison

2018· article· en· W4242632780 sur OpenAlexvenueaboutno aff
Kyra Freeman

Notice bibliographique

RevueInquiry Queen s Undergraduate Research Conference Proceedings · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueOrganic Food and Agriculture
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCertificationBusinessOrganic farmingOrganic certificationInterviewGreenwashingConsumer demandAgricultural economicsStakeholderOrganic productAgricultureSustainabilityGeographyEconomicsPolitical science

Résumé

récupéré en direct d'OpenAlex

Consumers are increasingly interested in paying a higher premium for alternative food, such as natural and organic products and governments are increasingly interested in sustainable agricultural practises that preserve the ability of future generations to produce food. The organic movement is continually growing due to consumer health and environmental concerns. This study focuses primarily on the evolution of the organic beef sector in Canada, focusing on two case studies: the MD of Pincher Creek No. 9 in Alberta and Frontenac County in Ontario. By interviewing stakeholders in the organic beef industry in both regions and supporting the stakeholder accounts with a literature review, comparisons were made pertaining to the viable market options that each region faces. Alberta is one of the leading producers of organic beef in the country, while Ontario produces much less, but Alberta has a lower level of organic consumers than Ontario. This leads to the need for Alberta producers to market their beef elsewhere, in British Columbia and the United States. Frontenac County has much more access to urban markets with high levels of organic consumer activity and thus have an easier time logistically in the selling of their beef. These two cases represent contrasting market and policy needs though regulation and certification requirements are nation-wide.

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)0,000
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 enseignants0,614
Score d'incertitude au seuil0,969

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,101
Tête enseignante GPT0,340
Écart entre enseignants0,239 · 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

Citations0
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInquiry Queen s Undergraduate Research Conference ProceedingsMême sujetOrganic Food and AgricultureTravaux en français237 207