Quels défis au développement de la production porcine en agriculture biologique en France ?
Bibliographic record
Abstract
La production porcine française en AB est très diversifiée de par ses élevages, notamment en termes de taille avec de nombreux ateliers à faibles effectifs ; de par la commercialisation des produits, avec une filière longue bien implantée dans le grand ouest de la France, et des filières courtes plus territorialisées ; et de par la multiplicité de ses acteurs spécifiques à l’AB ou mixtes. Bien que le nombre de truies certifiées en AB ait doublé entre 2016 et 2021, il ne représente que 1,9 % du cheptel français. Face à ce constat, une étude a été réalisée par le consortium ORIGAMI (INRAE-Métabio) pour comprendre les freins et leviers au développement de cette production. Des entretiens de 21 porteurs de projets ont permis d’identifier 164 freins et 231 leviers. Des analyses en composantes multiples suivies d’une classification ont mis en évidence sept types de freins et six types de leviers en fonction de leur niveau d’organisation (de l’animal au territoire) et du maillon de la filière qu’ils concernent (de l’agrofourniture à la consommation). L’interprétation de ces typologies permet d’identifier des thèmes de recherche pour relever les principaux défis identifiés. Ces thèmes concernent l’acquisition de références techniques spécifiques pour l’AB, la meilleure articulation entre filières et territoires, la promotion des débouchés des produits, mais aussi la formation des acteurs actuels et futurs et la communication auprès du grand public. Ces sujets sont des pistes de réflexion pour la construction de projets transdisciplinaires de recherche ou recherche-action avec les acteurs des filières.
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 | 0.011 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".