Test phytochimique et insecticide de trois extraits organiques de feuilles de Ficus thonningii sur Callosobruchus maculatus Fabricius
Bibliographic record
Abstract
Pour trouver des alternatifs aux insecticides de synthèse, les extraits de plantes sont de plus en plus utilisés par les paysans pour protéger les stocks de récolte contre les insectes ravageurs. Ainsi, des tests phytochimiques et insecticides respectivement par chromatographie sur couche mince et par contact sont effectués sur trois extraits organiques (cyclohexanique, chloroformique et méthanolique) de Ficus thonningii. Les données ont été analysées par la procédure General Linear Model à l’aide du logiciel Minitab 17. Les facteurs étudiés sont : le temps, le nombre d’insectes morts et le nombre d’insectes émergés, ainsi que leurs interactions. Les résultats de l’analyse statistique ont montré que l’extrait méthanolique donne un meilleur taux de mortalité sur Callosobruchus maculatus aux dates 3eme jour, 5e jour, 6e jour, 7e jour et 8eme jour. Ces résultats sont corroborés par les tests phytochimiques avec l’identification de molécules (alcaloïdes, flavanoïdes, tanins, polyphénols et saponosides…) susceptibles d’être responsables de cette activité insecticide.Mots clés: Extraits, Ficus thonningii, Callosobruchus maculatus, niébé.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".