MétaCan
Menu
Retour à la cohorte
Enregistrement W4307977129 · doi:10.1007/978-3-030-93072-1_1

Introduction: African Secondary City Food Systems in Context

2022· book-chapter· en· W4307977129 sur OpenAlexaff
Liam Riley, Jonathan Crush

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueUrban Agriculture and Sustainability
Établissements canadiensWilfrid Laurier UniversityBalsillie School of International Affairs
Organismes subventionnairesnon disponible
Mots-clésProsperityUrbanizationEconomic growthFood securityGeographySustainabilityContext (archaeology)Corporate governancePopulationPolitical scienceFood systemsEquity (law)AllianceDevelopment economicsAgricultureBusinessEcologySociologyEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Countries across Africa are rapidly transitioning from rural to urban societies. The UN projects that 60% of people living in Africa will be in urban areas by 2050, with the urban population on the continent tripling over the next 50 years. The challenge of building inclusive and sustainable cities in the context of rapid urbanization is arguably the critical development issue of the twenty-first century and creating food secure cities is key to promoting health, prosperity, equity, and ecological sustainability. The expansion of Africa’s urban population is taking place largely in secondary cities. These are broadly defined as cities with fewer than half a million people that are not national political or economic centres. The implications of secondary urbanization have recently been described by the Cities Alliance as “a real knowledge gap,” requiring much additional research not least because it poses new intellectual challenges for academic researchers and governance challenges for policymakers. International researchers coming from multiple points of view, including food studies, urban studies, and sustainability studies, are starting to heed the call for further research into the implications for food security of rapidly growing secondary cities in Africa.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,033
Score d'incertitude au seuil0,109

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,002
Communication savante0,0040,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0330,003

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 Opus0,017
Tête enseignante GPT0,176
Écart entre enseignants0,159 · 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
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetUrban Agriculture and SustainabilityTravaux en français237 207