A dataset for soil organic carbon in agricultural systems for the Southeast Asia region
Notice bibliographique
Résumé
Authors: Federico Gomez1*, Ana Carcedo1, Chan Makara Mean2, Manuel Reyes3, Lyda Hok4, Florent Tivet5, Vang Seng6, P. V. Vara Prasad1, Shopie Manson7, K. A. I. Nekaris7, Eva Lehndorff8, Thilde Bech Bruun9, Catherine M. Hepp10, Ryusuke Hatano11, Auldry Chaddy12, Pham Thi Thu Huong13, Selva Dhandapani14, Katharina Maria Keiblinger15, Rizki Maftukhah16, Zar Ni Zaw17, Sota Tanaka18, and Ignacio Ciampitti1* 1. Department of Agronomy, Kansas State University, Manhattan, Kansas, US. 2. Faculty of Agricultural Biosystems Engineering, Royal University of Agriculture, Phnom Penh, Cambodia.3. Sustainable Intensification Innovation Lab, and Department of Agronomy, Kansas State University, Manhattan, Kansas, US. 4. Center of Excellence on Sustainable Agricultural Intensification and Nutrition, Royal University of Agriculture, Phnom Penh, Cambodia.5. CIRAD, UPR AIDA, Univ Montpellier, Montpellier, France. Agroecology for South-East Asia. 6. Department of Agricultural Land Resources Management, Phnom Penh, Cambodia. 7. School of Humanities and Social Sciences, Oxford Brookes University, Oxford, United Kingdom. 8. Soil Ecology, Universität Bayreuth, Bayreuth, Germany. 9. Department of Geosciences and Natural Resource Management, Section for Geography, University of Copenhagen, Copenhagen, Denmark. 10. Lethbridge, AB, Canada. 11. Research Faculty of Agriculture, Hokkaido University, Hokkaido, Japan. 12. Sarawak Tropical Peat Research Institute, Sarawak, Malaysia. 13. Horticulture Department, Field Crops Research Institute, Hai Duong, Vietnam. 14. Department of Geography and Environmental Science, School of Archaeology, Geography and Environmental Sciences (SAGES), University of Reading, Reading, United Kingdom. 15. Department of Forest and Soil Sciences, Institute of Soil Research, University of Natural Resources and Life Sciences, Vienna, Austria. 16. Department of Agricultural and Biosystem Engineering, Faculty of Agricultural Technology, Universitas Gadjah Mada, Indonesia. 17. Faculty of Natural Resources, Prince of Songkla University, Thailand. 18. Faculty of Agriculture and Marine Sciences, Kochi University, Kochi, Japan. For more information about the dataset or the scripts, please contact the corresponding authors at: fmgomez@ksu.edu, ciampitti@ksu.edu.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,011 |
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 ».