Abstracts of Presentations to the Working Session on Improving Predictive Modeling of Mycotoxin Risk for Africa Held at the 3rd ASM2022 on 7 September 2022, in Stellenbosch, South Africa
Notice bibliographique
Résumé
In 2008, the African Postharvest Losses Information Systems project (APHLIS, accessed on 6 September 2022) developed an algorithm for estimating the scale of cereal postharvest losses (PHLs). The relevant scientific literature and contextual information was used to build profiles of the PHLs occurring along the value chains of nine cereal crops by country and province for 37 sub-Saharan African countries. The APHLIS provides estimates of PHL figures where direct measurements are not available. A pilot project was subsequently initiated to explore the possibility of supplementing these loss estimates with information on the aflatoxin risk. Using satellite data on drought and rainfall, a time series of agro-climatic aflatoxin risk warning maps for maize was developed covering the countries and provinces of sub-Saharan Africa. The agro-climatic risk warning maps for specific countries were shared with mycotoxin experts from those countries for review and comparison with their aflatoxin incidence datasets. The present Work Session was a unique opportunity for African food safety mycotoxins experts, as well as other international experts, to meet and deepen the discussion about prospects for using their experience and their data to validate and improve agro-climatic risk modeling approaches.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».