Lutter contre les insectes nuisibles en agriculture biologique : intervenir en harmonie face à la complexité
Bibliographic record
Abstract
Les systèmes agricoles en gestion biologique se caractérisent par une grande biodiversité et une forte complexité. La biodiversité est associée à une faune entomophage variée et abondante qui permet une meilleure lutte naturelle contre les insectes ravageurs qu’en agriculture intensive. Cette contribution ne se limite pas à la ferme. Certaines études à l’échelle du paysage démontrent que les zones non cultivées servent de réservoirs à la faune auxiliaire (prédateurs et parasitoïdes). Cependant, la biodiversité ne permet pas de réprimer certains ravageurs en dessous du seuil économique. Par conséquent, la prévention joue un rôle important en visant l’aménagement du système agricole pour qu’il soit favorable aux ennemis naturels et défavorable aux ravageurs. Ainsi, les pratiques culturales telles que la rotation et le choix de cultivars sont au premier plan dans une stratégie de lutte intégrée en production biologique. À un parcours technique qui mise sur le principe de prévention s’ajoutent, en dernier recours, des outils comme les bâches, les biopesticides et les agents de lutte biologique. Malgré ces outils, le défi reste entier. La complexité de « l’agroécosystème biologique » exige un effort de recherche pour mieux comprendre certains mécanismes qui permettraient d’accroître la lutte naturelle aux insectes ravageurs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".