MétaCan
Menu
Retour à la cohorte
Enregistrement W7095094061

Co-operatives at the University of Saskatchewan. © 1999 AgBioForum. THE PRODUCER BENEFITS OF HERBICIDE-RESISTANT CANOLA

2015· article· en· W7095094061 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGenetically Modified Organisms Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCanolaProduction (economics)Distribution (mathematics)Table (database)AgribusinessEmpirical evidence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The commercial sale of herbicide resistant (HR) canola has raised questions about the benefits of this new technology for seed and chemical companies, farmers, consumers, and other players in the supply chain. In this paper, we argue that the pricing and adoption of HR canola in Canada can not be understood if producers are seen as being homogeneous. We develop a conceptual model of producer heterogeneity that represents the distribution of benefits among producers. In this context, some farmers benefit from the new technology leading to adoption, while others do not. Empirical evidence supports this argument. In addition, the new technology co-exists with the traditional technology. Key words: herbicide resistant canola; producer heterogeneity; benefits; new technology; biotechnology. Canola is one of the first genetically modified (GM) crops to reach the commercial market in Canada. The focus of genetic modification is the addition of herbicide resistance to canola pl ts. In 1998, after four years of production, herbicide-resistant (HR) canola comprised 44 percent of total canola production in Canada (see table 1). One source estimates that Canadian HR c nol production could reach as high as 70 percent of total production in 1999 (Plant Breeding Institute (PBI), 1998). Table 1. Acres of Herbicide-Resistant C ola in Canada (‘000s acres).

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,321
Score d'incertitude au seuil1,000

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 technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,039
Tête enseignante GPT0,232
Écart entre enseignants0,193 · 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.

Devis d'étudeExpérimental (laboratoire)
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
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetGenetically Modified Organisms ResearchTravaux en français237 207