Bibliographic record
Abstract
L’objectif de cet article est de déterminer la prime pure à payer par l’agriculteur sénégalais assuré à des risques classiques. L’utilisation du modèle linéaire général (GLM) a permis de déterminer la fréquence et la sévérité en fonction des différents types de risques auxquels sont exposés les agriculteurs. Nous avons montré que le nombre de sinistres suit une loi zéro-inflation binomial négative et le coût une distribution log-normal. Nous avons aussi montré que les risques sanitaires, les invasions acridiennes (criquets pèlerins), d’animaux et de canards et d’oiseaux sauvages, la présence de nématodes et de pourriture de collet sont les risques auxquels l’agriculture est exposée. Le modèle estime une prime plus élevée que la prime observée pour les animaux sauvages, les maladies, les oiseaux granivores et les oiseaux sauvages. En revanche, la prime calculée est inférieure à celle observée pour les canards sauvages et les criquets pèlerins. La différence entre la prime observée et celle calculée s’explique par le fait que le premier est évalué à partir de la valeur du capital assuré et non du risque auquel l’agriculteur est exposé. Pour une meilleure tarification, la compagnie d’assurance devra tenir compte du type de risque auquel chaque assuré est le plus exposé et déterminer la prime correspondante. Cette segmentation permettra de déterminer la prime adéquate.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 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".