Bibliographic record
Abstract
heit zu erhöhen (Finger, Swinton, El Benni, & Walter, 2019) . Sozial Robuste OrientierungenSoRO 4.4 Globale Ernährungssicherheit: Informationsasymmetrien zwischen am Gemeinwohl orientierten Akteuren und Oligopolen mit großen Datenbanken, erlauben (prinzipiell) irreführende Preissignale oder nichtnachhaltige Nutzungen von Böden, Nutzpflanzen oder Nutztieren. Globale Open Source Agrar-Datenbanken mit Grunddaten zum Monitoring der multiplen Ursachen kriti- scher Ertragsdynamiken unterstützen im Zusammenspiel mit privatwirtschaftlichen Daten von Landwirten und Unternehmen resiliente Strukturen, Innovationen und Wettbewerb zum Erhalt der Ernährungssicherheit. (siehe Weißbuchlink Hinweis in SoRO-Box SI4.1).Wir fassen die vorstehenden Analysen zu folgender Sozial robusten Orientierung SoRO 4.4 zusammen, welche Wege zur besseren Früherkennung und Vermeidung kritischer Dynamiken der globalen Ernährungssicherheit durch die Nutzung digitaler Daten beschreibt.Das vorliegende Kapitel findet seine Einbettung in dem Weißbuchkapitel von Zscheischler et al. (2021) , in dem potentielle Risiken der Digitalisierung und Nutzung digitaler Daten diskutiert werden und in den Artikeln von Brunsch et.al (2021, siehe 4.2 in diesem Band) 30 und Scholz et al. (2021) 31 in denen die Bedeutung von Datenallmenden als Modell eines Zusammenspiels privatwirtschaftlicher Daten von Landwirten und Unternehmen diskutiert werden.
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.597 | 0.503 |
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".