MétaCan
Menu
Retour à la cohorte
Enregistrement W4285315240 · doi:10.12731/2658-6649-2021-13-6-217-228

EXPORT OF AGRICULTURAL PRODUCTS FROM THE STATES OF THE ASSOCIATION OF SOUTH-EASTERN ASIAN COUNTRIES (ASEAN)

2021· article· en· W4285315240 sur OpenAlexaboutno aff
I. A. Aksenov, Petr Afonin, Elena V. Shanazarova

Notice bibliographique

RevueSiberian Journal of Life Sciences and Agriculture · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Trade and Competitiveness
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAgricultureInternational tradeProduct (mathematics)Quarter (Canadian coin)BusinessAgricultural economicsGeographyEconomics

Résumé

récupéré en direct d'OpenAlex

Background. ASEAN currently forms a solid economic bloc with a combined GDP of US $ 3 trillion, a relatively high share of agriculture in GDP (11.3% in 2010-2020) and an expanding agri-food market based on changing conditions. global and regional trade patterns. Purpose. It consists in analyzing and identifying the problems of agri-food exports of the states that are members of the Association of Southeast Asian Nations (ASEAN). Materials and methods. The research is based on the Declaration on the Establishment of ASEAN (Signed in Bangkok on August 08, 1967), statistics from the Food and Agriculture Organization of the United Nations, ASEAN, and the World Trade Center. In this work, dialectical, systemic, logical research methods were used. Results. As a result of the analysis carried out in the article on agri-food exports by product, it was revealed that animal, vegetable fats and oils are the most important agricultural products of the ASEAN countries, providing a quarter of regional and more than a third of world exports. Conclusion. The agro-export policy of the ASEAN countries is largely fragmented. This is mainly due to the internal differences between the states that make up this bloc.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,186
Écart entre enseignants0,176 · 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'étudeSans objet
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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSiberian Journal of Life Sciences and AgricultureMême sujetGlobal Trade and CompetitivenessTravaux en français237 207