Proposition méthodologique pour caractériser les performances des parcelles d'une exploitation par la production de viande au pâturage
Bibliographic record
Abstract
Les enjeux de durabilité auxquels la production agricole est aujourd’hui confrontée renouvellent les questions d’évaluation des systèmes de production et les méthodes utilisées. Caractériser à une même échelle les performances de production et les performances environnementales des systèmes d’élevage peut être un outil opérationnel d’évaluation et d’aide à la décision pour la gestion du pâturage. Ce travail propose une méthode pour caractériser l'aptitude de parcelles de prairie à produire de la viande au pâturage, en fonction de leurs caractéristiques et de leur conduite technique. Les données ont été collectées sur les parcelles et les animaux en croissance de la station INRA de Saint-Laurent-de-la-Prée en 2003 et 2004. L’analyse porte sur les productions de viande totales sur la saison de pâturage par parcelle et a pour objectif de les relier aux caractéristiques de la parcelle et à la conduite technique qui lui est affectée (fertilisation et chargement totaux d’une part et succession des catégories d'animaux, niveaux de complémentation par phase de pâturage, d’autre part). Les faibles productions sont obtenues sur les parcelles de prairies permanentes, peu fertilisées, peu chargées ; les fortes productions ne sont associées ni à un type de parcelle, ni à un type de conduite.
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 | 0.006 | 0.011 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| 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".