MétaCan
Menu
Retour à la cohorte
Enregistrement W4392939283 · doi:10.1093/oxfordhb/9780190924164.013.9

The Growing Power of Agricultural Science

2024· book-chapter· en· W4392939283 sur OpenAlexaff
J. L. Anderson

Notice bibliographique

RevueOxford University Press eBooks · 2024
Typebook-chapter
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture, Land Use, Rural Development
Établissements canadiensMount Royal University
Organismes subventionnairesnon disponible
Mots-clésCommodificationAgriculturePower (physics)State (computer science)Production (economics)Agricultural productivityPovertyAgricultural revolutionPolitical scienceCommodityEconomic growthEconomicsEconomyGeographyMarket economyLawComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract The story of agricultural science is one of growing power; power to increase production and the enhanced authority of scientists. Eighteenth-century farmers and rural elites were interested in agricultural reforms, paying attention to scientists who articulated theories about chemistry and breeding in an attempt to solve production problems. Those elites established laboratories and experimental farms that were the progenitors of state-sponsored agricultural science. Scientists built educational and research institutions that ultimately provided producers with useful knowledge to boost production. They subsequently fought with other scientists for power and for a place of influence in public life. The scientific solutions they offered often cut both ways, solving old problems even as they created new ones, ranging from environmental degradation to the de-skilling of labor. Furthermore, science was yoked to colonial authority, constructing a landscape of commodity production and the social control required to sustain it. Agricultural science has been commodified and deployed with mixed success in the fight against hunger and poverty, most famously in what became known as the Green Revolution. Scientists’ success in developing solutions to the problems of agricultural production, despite some notable shortcomings, has given them unprecedented power over people and the land.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,989
Score d'incertitude au seuil0,529

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,176
Écart entre enseignants0,162 · 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 tête enseignante, 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOxford University Press eBooksMême sujetAgriculture, Land Use, Rural DevelopmentTravaux en français237 207