MétaCan
Menu
Retour à la cohorte
Enregistrement W4401480091 · doi:10.62951/solusibersama.v1i3.376

Pelatihan Pembuatan Pupuk Biosaka, Upaya Perlindungan Tanaman Berbasis Ekologi Untuk Menjaga Kelestarian Lingkungan

2024· article· en· W4401480091 sur OpenAlexaff
Saryanto Saryanto, Rejo Kirono, Khotim Hanifudin Najib, Ahdan Aufa Ilman, Ainun Jaria, Devi Rahmaningtias, Madiasta Madiasta, Margaretha Eltris Don, Nurul Nur Amelia, Heri Winarno, Lono Madyo

Notice bibliographique

RevueSolusi Bersama · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Development and Management
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésFertilizerEnvironmentally friendlyAgricultureOrganic fertilizerProduction (economics)Agricultural engineeringAgricultural scienceEnvironmental scienceBusinessEngineeringAgronomyBiologyEconomicsEcology

Résumé

récupéré en direct d'OpenAlex

Biosaka fertilizer production training is an educational program designed to provide practical knowledge and skills in the production of organic fertilizer through fermentation of natural ingredients. Biosaccharine fertilizer, which is made from plant residues, animal waste and certain microorganisms, offers an environmentally friendly and efficient solution for improving soil fertility and plant health. This training includes an introduction to materials and tools, the fermentation process, and the application of biosaccharide fertilizer to various types of plants. Through this approach, participants—including farmers, agricultural extension workers, and other individuals—are expected to be able to produce high-quality biochemical fertilizer independently. It is hoped that the results of this training will reduce dependence on chemical fertilizers and support sustainable agricultural practices that are more economical and environmentally friendly.

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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,060

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0180,003

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 Opus0,009
Tête enseignante GPT0,186
Écart entre enseignants0,177 · 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
GenreEmpirique

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 revueSolusi BersamaMême sujetAgricultural Development and ManagementTravaux en français237 207