Bibliographic record
Abstract
Ce rapport annuel de suivi et d’évaluation porte sur les politiques agricoles de 54 pays : les 38 pays de l’OCDE, les 5 États membres de l’UE non membres de l’OCDE et 11 économies émergentes. Il montre qu’en dépit de certaines baisses modestes observées récemment, le soutien à l’agriculture est resté proche des niveaux record atteints il y a peu. Si le soutien n’a pas beaucoup changé, les politiques agricoles ont pris un caractère à la fois réactif et proactif, en ce qu’elles rendent le secteur mieux à même de relever les défis actuels et ambitionnent parallèlement de garantir que les systèmes alimentaires sauront s’adapter à l’évolution de la conjoncture. Le rapport de cette année est centré sur les politiques qui favorisent la croissance durable de la productivité en agriculture. Les pouvoirs publics appliquent de nombreuses approches différentes pour faire progresser la productivité tout en préservant les ressources naturelles et en réduisant les émissions de gaz à effet de serre d’origine agricole. Cependant, comme le relève le rapport, il importe qu’ils définissent des objectifs clairs en matière de croissance durable de la productivité et des indicateurs des progrès mesurables pour s’assurer que les politiques atteignent les objectifs qu’ils leur assignent. En outre, un usage plus efficace du soutien aux producteurs afin de promouvoir l’innovation et la durabilité environnementale au niveau des exploitations et un recentrage du soutien global sur la R-D ciblée permettraient de mieux mettre à profit les dépenses publiques pour produire des biens publics et assurer une croissance durable de la productivité. Dans la lignée de la Déclaration publiée par les ministres de l’Agriculture réunis à l’OCDE en 2022, le rapport décrit un programme en sept points pour rendre l’agriculture plus durable, plus productive et plus résiliente, ainsi que pour rendre le soutien et les marchés agricoles plus efficaces et efficients.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.533 | 0.295 |
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".