Sự PHÁT TRIểN CủA ĐộNG VậT NổI TRONG AO NUÔI CÁ SặC RằN (Trichogaster pectoralis)
Bibliographic record
Abstract
Thí nghiệm nuôi cá sặc rằn bằng thức ăn công nghiệp, phân heo tươi và nước thải biogas được tiến hành đồng thời trong ao 100 m2 và mật độ cá nuôi là 10 con/m2. Trong ao nuôi cá số 1, lượng thức ăn công nghiệp được cung cấp hàng ngày là 5% trọng lượng cá, hàm lượng đạm trong thức ăn là 42% trong 2 tháng đầu, 35% trong 2 tháng kế tiếp và 30% trong hai tháng cuối. Lượng đạm trong phân heo tươi và nước thải cung cấp cho ao số 2 và 3 được xác định ban đầu và cung cấp hàng ngày cho ao nuôi với số lượng sao cho lượng đạm của nó tương ứng với lượng đạm trong thức ăn công nghiệp. Kết quả nghiên cứu đã xác định được 76 loài động vật phiêu sinh thuộc 4 nhóm. Trong đó ngành trùng bánh xe (Rotatoria) có số loài phong phú nhất. Ao nuôi cá bằng nước thải biogas có số lượng động vật nổi cao nhất và biến động từ 163.520 – 1.504.800 ct/m3. Sau 6 tháng, cá được nuôi bằng nước thải biogas có trọng lượng tương tự với cá nuôi bằng thức ăn công nghiệp. Chất lượng thịt cá trong 3 ao thí nghiệm đều không nhiễm vi sinh vật và rất an toàn để sử dụng làm thực phẩm. Nên sử dụng nước thải từ hệ thống ủ biogas để nuôi cá sặc rằn góp phần tăng thu nhập cho nông hộ.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".