Revisión de bases de datos existentes y relevantes en el fraude y autenticidad alimentarias
Bibliographic record
Abstract
El fraude y la autenticidad alimentaria es un problema global que va en aumento y afecta a todas las etapas de la cadena alimentaria. Los consumidores demandan que los alimentos cumplan con las especificaciones que se indican en el etiquetado y las autoridades tienen el papel de establecer medidas para garantizar que éstos sean seguros. Desafortunadamente, debido a la gran complejidad para detectar el fraude alimentario, muchos casos pasan desapercibidos provocando que se mantengan dentro de la cadena de suministro de alimentos hasta llegar al consumidor final. A pesar de que los principios de las buenas prácticas en la fabricación alimentaria deben garantizar que los productos fabricados cumplan con las especificaciones de calidad marcadas por los organismos de salud, las empresas alimentarias necesitan tener acceso a herramientas de consulta fiables para asegurar la procedencia y seguridad de los productos que reciben. Este estudio recoge información relacionada con el fraude y la autenticidad alimentaria, y evalúa el acceso que tiene la industria y en particular, las pequeñas y medianas empresas (PYMES), a la información contenida en bases de datos on-line. Se han establecido varias categorias, y todas las bases de datos contenidas en cada una de ellas, han sido analizadas y seleccionadas según su estructura y relevancia para los usuarios. Todas las bases de datos incluidas han sido extraidas de internet y están desarrolladas tanto por organismos públicos, como privados, por lo que están destinadas a llegar a un gran número de usuarios. También se ha realizado un estudio general de bases de datos relevantes que han sido desarrolladas en proyectos europeos.
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 | 0.026 | 0.107 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.025 | 0.019 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".