Creación de un nuevo bien común para las cooperativas agrícolas
Bibliographic record
Abstract
La utilización de Big Data y de las TICs a gran escala en la agricultura es considerada como una solución para hacer frente al cambio climático, la degradación del medio ambiente, las limitaciones del suelo y del agua, la necesidad de optimizar los recursos, reducir los costes y aumentar la trazabilidad y la seguridad alimentaria, entre otros argumentos convincentes. Sin embargo, también ha dado lugar a desequilibrios de poder, barreras a la inversión, un acceso reducido al conocimiento y una menor capacidad de los agricultores y las PYMES para controlar sus actividades relacionadas con la agricultura y beneficiarse de ellas. En este documento se examinan las cuestiones jurídicas, de gobernanza, institucionales y económicas que pueden surgir en el desarrollo de una cooperativa de datos u otras estructuras equitativas de intercambio de datos, teniendo en cuenta las fuentes de datos públicas y privadas, y las múltiples partes interesadas. Se presenta una muestra de ejemplos exitosos de intercambio de datos, incluyendo cooperativas, y un caso de prueba para las cooperativas de Almería, España. Esta investigación se inscribe en el contexto del proyecto EU H2020 Internet of Food and Farm (IoF2020) y el desarrollo de modelos de negocio innovadores para compartir datos. En lugar de recurrir a los acuerdos clásicos de contratación para compartir datos, como los propuestos por el Copa-Cogeca entre otros, se propone que se utilice un enfoque de “data commons”, de acuerdo con la teoría de los Sistemas Socio-Ecológicos de Elinor Ostrom, para conseguir una solución cooperativa a este complejo desafío. Al elegir un enfoque cooperativo, los beneficios para los agricultores pueden ir más allá de la “monetización” de los datos y contribuir a salvaguardar el medioambiente.
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 | 0.004 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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; 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".