Notice bibliographique
Résumé
Sri Lanka is a country which is rich in fresh healthy soil and nutrients that may support any type of plant, even if it is tossed carelessly. Sri Lanka is currently undergoing a massive economic crisis that no one has ever seen before in its history. Lack of influence and a lack of attention to arable lands are two of the most important factors. Sri Lanka spends more US dollars per year on rice, dhal, and other staple foods. Nonetheless, Sri Lanka has sufficient resources as a nation to endure this circumstance. As students born in Sri Lanka, we have a responsibility to develop innovative approaches in which the Sri Lankan government may take the lead. Being able to study in Japan has offered ample motivation to boost agricultural productivity all around the world. Japan, New Zealand and Canada are countries that employ technology to meet its manufacturing goals in a fraction of a second. They now have access to ICT expertise, which has resulted in increased efficiency in their agriculture industry. Yield optimization, addressing labor shortages, meat alternative research, real-time risk management along the supply chain, assurance of the quality of food with traceability, ensuring food security by locating and isolating disease outbreaks in animals and plants, waste reduction within the supply chain, biosecurity, conversion efficiency on farm linked to AI are all areas that are thought to benefit, if not transform, from the use of AI in agriculture. If the appropriate effort is made, this new combination can be adapted to the Sri Lankan setting. The technical improvements in the agricultural fields were researched in this study by a rigorous review of the literature, interviews with farmers in ascending hierarchies, and field observations. Furthermore, agricultural firms that have adopted ERP will be chosen for the purpose of data collection to improve agricultural productivity. This information will be disseminating among Sri Lankan farmers and other responsible authorities in future.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».