Virus et vigne, un mariage difficile à défaire : la biovigilance est nécessaire plus que jamais
Bibliographic record
Abstract
La viticulture est l’une des industries les plus largement établies dans le monde. Au Canada, après l’Ontario et la Colombie-Britannique, c’est au tour du Québec de connaître une intensification de la viticulture. Or, plusieurs contraintes sont et seront associées à cette intensification. La vigne est une plante vivace caractérisée par une croissance indéfinie impliquant une disponibilité continue de tissus tendres et éventuellement une susceptibilité aux insectes et maladies. Depuis ses origines, la vigne a évolué en constante dualité avec les virus. Plus de 60 virus sont actuellement associés à la vigne à l’échelle mondiale, dont la majorité des virus sont pathogènes, pouvant réduire la vigueur et la productivité des vignes ou la qualité des raisins. Au Québec, la dernière enquête qui fait état des virus dans les vignobles date des années 1990. Cette enquête a révélé la présence de deux virus pathogènes de la vigne alors que l’ensemble des virus présents dans les vignobles du Québec restent toujours à définir. Ce manquement de connaissance est sans doute l’un des facteurs qui expliquent l’inefficacité des stratégies de lutte contre les viroses de la vigne. Ces stratégies reposent essentiellement sur la prévention et sur des programmes de certification du matériel viticole en ciblant des virus connus et détectables. Dans cet article, nous évoquons les lacunes associées à l’état des virus de la vigne au Québec et nous expliquons comment un programme de biovigilance peut aider à mitiger les menaces et assurer une lutte efficace contre les viroses de la vigne.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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; both teacher heads agree on what is shown here.
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".