Aider à la gestion des services de régulation naturelle des bioagresseurs : enjeux de connaissances et de prise en compte des agriculteurs : une approche bibliographique
Bibliographic record
Abstract
Comment construire des connaissances pour aider les agriculteurs à mieux mobiliser les services de régulation naturelle des bioagresseurs? Nous avons réalisé une revue de la littérature scientifique pour examiner si et comment les connaissances produites pouvaient aider à la réalisation d'un diagnostic de ces services. Nous avons considéré pour cela que ces connaissances devaient porter sur les relations entre i) la problématique de la régulation naturelle des bioagresseurs, ii) les facteurs affectant cette problématique (e.g., pratiques agricoles, environnement paysager), et iii) les ressources des agriculteurs impactées par la régulation biologique (e.g., productions) et/ou permettant de maîtriser les facteurs affectant cette régulation (e.g., ressources en connaissance, travail, équipements). Nous avons aussi examiné si les dynamiques temporelles de ces relations étaient étudiées (Duru, Therond et al, 2015). 1. Nous avons réalisé une requête large dans le Web Of Science des études portant sur le contrôle, y compris chimique et/ou mécanique, des bioagresseurs (15334 articles). 2. Ayant peu de mots clés précis pour identifier les dimensions d'un diagnostic dans ces études, nous avons construit et mobilisé des dictionnaires de mots clés dans une analyse lexicale de notices avec l'outil CorText. Un sous-corpus de 6024 articles a été obtenu après extraction d'études hors-sujet. Nous avons identifié 9 thématiques diversement combinées dans les études, les plus fréquentes étant: "gestion des bioagresseurs", "gestion des adventices", "systèmes de cultures", "modélisation et prise de décision", "acteurs et système d'exploitation" et "agroécosystème et paysage". 3. Afin d'identifier les connaissances utiles pour un diagnostic à partir de ces thématiques, nous avons échantillonné des études selon leurs profils et les avons analysées à partir d'une grille de lecture ad hoc. Nous présentons les résultats pour une sélection de 31 études les plus pertinentes a priori. Leurs notices mentionnent la régulation naturelle des bioagresseurs et combinent 3-5 thématiques dont au moins "acteurs et systèmes d'exploitation": notre hypothèse est qu'elles prennent en compte explicitement les acteurs et leurs ressources. Ces études sont effectivement les plus riches. Cependant la plupart n'étudient aucune dynamique temporelle. Nous avons distingué 3 groupes. Le premier groupe (15 articles) met l'accent sur l'élucidation de l'influence relative des facteurs "pratiques" et "paysage" sur le phénomène de régulation; les ressources des agriculteurs sont contextuelles (ex: comparaison agriculture biologique vs. agriculture conventionnelle). Le deuxième groupe (6 articles) met l'accent sur l'impact de la régulation biologique et/ou des nouvelles pratiques et aménagements paysagers sur les ressources des agriculteurs (e.g., coûts/bénéfices économiques) à l'échelle de la parcelle. Le dernier groupe (10 articles) est le plus intégrateur des composantes du diagnostic; on y trouve le plus d'études engagée dans l'accompagnement des agriculteurs, notamment l'apprentissage collectif (Bell et al, 2016; Robertson et al, 2014).
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 | 0.013 | 0.050 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.024 | 0.041 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.016 | 0.016 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.032 | 0.009 |
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".