Are nanomaterials leading to more efficient agriculture? Outputs from 2009 to 2022 research metadata analysis
Notice bibliographique
Résumé
Agriculture is responsible for supplying food, feed, fibres, and an increasing fraction of fuel and raw chemicals for industry.Fulfilling such demands sustainably is one of the major challenges of our time.In this metadata analysis of 10 years of published research, we offer a quantitative overview of how scientists have been addressing the effects of nanoparticles on plants, and which were the main findings.If one hand, cultivated crops (55%) and plant nutrients (52%) are mostly employed as subjects of the studies, nanoparticle concentration ranges are much above, in general, more than twice that of those supplied by fertilizers or background soil concentration.Likewise, the time span of most studies, median 49 days for plants cultivated in soil, are still short compared to crop life-cycles (90-120 days), furthermore little attention (12% of treatments) has been dispensed to soil microorganisms.It was not possible to establish correlations between effects and experimental parameters such as concentration range, soil pH, or time of exposure, which reveals an intricate relationship between these results and experimental conditions.The small fraction of field experiments (5%) is also challenging to be transposed.Finally, the study raises the question of whether nanoscience will lead to incremental yield gains by replacing current inputs by nanotechnological ones, such as the controlled-release of fertilizers and pesticides, or it will disrupt agriculture by attacking problems so far not practically addressed such as hacking plant stress and defense mechanisms, and modulation of metabolism and photosystems.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,038 | 0,064 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,009 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».