Focus sur les associations graminées-légumineuses en Ardenne belge
Bibliographic record
Abstract
L’intérêt des légumineuses fourragères dans la composition des prairies est largement documenté (Pierre et al., 2016). Pourtant, certains freins identifiés par le passé subsistent toujours à l’heure actuelle alors que leurs utilisations devraient au contraire se généraliser au maximum pour mieux faire face aux aléas climatiques, pour gagner en autonomie fourragère et protéique, pour limiter les coûts des engrais de synthèse... L’intérêt des légumineuses est également réel dans les mélanges de céréales et de protéagineux récoltés en immatures (MCPI) (Crémer et al., 2018). Depuis plusieurs années, le Centre de Michamps étudie les légumineuses en Ardenne en collaboration avec le Centre pilote Fourrages Mieux. (I) Les potentiels de rendements quantitatifs et qualitatifs, tant en culture pure qu’en association, sont comparés pour différentes espèces (pérennes et annuelles) de même que leur résilience face aux changements climatiques (Lambert et al., 2020). Les pratiques de fertilisation sont adaptées en lien, notamment, avec la persistance des espèces. (II) Des pistes alternatives au désherbage chimique sont également proposées (Crémer et al., 2019). Ces avancées techniques devraient lever les freins existants et généraliser l’usage des légumineuses dans les ressources fourragères.
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 | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".