A Farm‐To‐Fork Framework to Assess the Scope and Limitations of Agricultural Data Structures
Notice bibliographique
Résumé
ABSTRACT Farming methods efficiency, agrifood systems sustainability, food traceability, and supply chain transparency depend on robust data management systems. However, current agricultural data structures (schemas, models, frameworks, file systems, etc.) and infrastructures remain disjointed across pre‐ and post‐harvest processes, often focussing on certain supply chain stages. This paper contributes an assessment of the scope and limitations of current agricultural data structures through a new proposed framework named AgrIMAF (Agricultural Information Model Assessment Framework). AgrIMAF is a three‐layered framework composed of (a) supply chain stages, (b) stakeholders, and (c) data flows produced and required by stakeholders across the chain, each serving as a criterion to assess agricultural data structures identified through a systematic literature review. We assessed 30 data structures with AgrIMAF, revealing a predominant emphasis on preharvest stages, while postharvest stages are markedly underrepresented. Stakeholders such as customers, insurers, dietitians, and waste managers were predominantly neglected in the investigated data structures. The analysis indicates extensive coverage of crop, weather, and soil data, however post‐harvest categories such as traceability, marketing, consumption, and waste are frequently absent. Sustainability initiatives and biodiversity metrics are infrequently acknowledged. AgrIMAF provides a diagnostic instrument to evaluate information systems and enhance sustainable, transparent supply chains.
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 | 0,048 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,026 | 0,012 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».