A survey of weed research priorities: key findings and future directions
Notice bibliographique
Résumé
Abstract We conducted an online survey of weed scientists in the United States and Canada to (1) identify research topics perceived to be important for advancing weed science in the next 5 to 10 years and (2) gain insight into potential gaps in current expertise and funding sources needed to address those priorities. Respondents were asked to prioritize nine broad research areas, as well as 5 to 10 subcategories within each of the broad areas. We received 475 responses, with the majority affiliated with academic institutions (55%) and working in cash crop (agronomic or horticultural) study systems (69%). Results from this survey provide valuable discussion points for policy makers, funding agencies, and academic institutions when allocating resources for weed science research. Notably, our survey reveals a strong prioritization of Cultural and Preventative Weed Management (CPWM) as well as the emerging area of Precision Weed Management and Robotics (PWMR). Although Herbicides remain a high-priority research area, continuing challenges necessitating integrated, nonchemical tactics (e.g., herbicide resistance) and emerging opportunities (e.g., robotics) are reflected in our survey results. Despite previous calls for greater understanding and application of weed biology and ecology in weed research, as well as recent calls for greater integration of social science perspectives to address weed management challenges, these areas were ranked considerably lower than those focused more directly on weed management. Our survey also identified a potential mismatch between research priorities and expertise in several areas, including CPWM, PWMR, and Weed Genomics, suggesting that these topics should be prime targets for expanded training and collaboration. Finally, our survey suggests an increasing reliance on private sector funding for research, raising concerns about our discipline’s capacity to address important research priority areas that lack clear private sector incentives for investment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».