Bibliographic record
Abstract
Ce texte a pour objectif de cerner la dimension malherbologique de nombreux enjeux contemporains, agricoles et autres, alors que paradoxalement les ressources scientifiques et techniques dans cette discipline se font de plus en plus rares. L’adoption récente des cultures transgéniques résistantes aux herbicides a permis de caractériser les problèmes agroécologiques associés aux flux géniques et à la persistance de transgènes dans l’environnement. Les questions concernant les cultures transgéniques de deuxième génération restent cependant sans réponses. Les changements climatiques qui affectent les zones d’adaptabilité et la croissance des cultures modifient aussi celles des plantes nuisibles. Des adventices notoires bénéficient déjà de l’accroissement des concentrations atmosphériques d’ozone et de CO2. En contrepartie, des espèces nuisibles sont pressenties comme sources de biocarburants et de nouvelles cultures malgré une connaissance incomplète des conséquences de leur mise en culture. On tente aussi de reconnaître la contribution de certaines mauvaises herbes à la biodiversité malgré une compréhension fort partielle des relations entre les mauvaises herbes et les autres organismes de l’écosystème agricole. La connaissance des plantes « nuisibles » revêt plus que jamais une importance stratégique, ces plantes étant au coeur de secteurs névralgiques, économiques et environnementaux.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".