Emerald Ash Borer Research: A Decade of Progress on an Expanding Pest Problem
Notice bibliographique
Résumé
Beautiful, shady neighborhoods all over the Midwest and the Northeast are bare of their ash trees, cut down because of the emerald ash borer (EAB). The rapidly spreading EAB infestation has also set off a storm of scientific investigation into the ecological and social damage and the costs to affected communities. Since it was first detected in 2002 around Detroit and neighboring parts of Ontario, EAB has spread to 18 states, from Kansas City to Minneapolis/St. Paul in the Midwest, south to the Smoky Mountains National Park, and all the way north to New Hampshire and Montreal, Quebec. Since its arrival, EAB has been able to attack and kill all native species of North American ashes (genus Fraxinus) that it has encountered. Much of the long-distance spread of EAB is due to human activities—people moving infested ash firewood and nursery trees out of quarantined areas. Early eradication efforts consisted of cutting and chipping or burning infested wood and prevention efforts focused on quarantines, developing detection and treatment methods for individual trees, and education efforts such as the “Don’t Move Firewood ” campaign. Knowledge about the EAB and how to control it, or at least slow its spread, continues to drive efforts to save ash. Dead ash “skeletons ” create openings in canopy. Photo by Kathleen Knight, U.S. Forest Service continued on page two 1 continued from page one
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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,007 |
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 ».