Evaluation of prediction models for Sclerotinia stem rot (Sclerotinia sclerotiorum) of soybean (Glycine max) in Quebec
Bibliographic record
Abstract
La sclérotiniose (Sclerotinia sclerotiorum (Lib.) de Bary) est une maladie qui s’attaque à plusieurs cultures, y compris le soya (Glycine max (L.) Merr.). Au Québec, la sclérotiniose est généralement contrôlée par l’application de fongicides chimiques pendant les stades de floraison de la culture. Cependant, l'efficacité des fongicides varie en fonction du risque d'épidémie, qui est largement influencé par les conditions agro-environnementales. Les applications de fongicides de façon préventive sont donc parfois superflues, ce qui engendre des coûts non seulement sur le plan économique, mais aussi sur le plan environnemental. Les modèles de prévision peuvent guider les décisions des producteurs quant à la gestion de la sclérotiniose en les informant de la nécessité et du moment le plus propice aux applications de fongicides. Dans ce projet, des sclérotes pré-conditionnés de S. sclerotiorum ont été enfouis dans des sites expérimentaux établis dans des champs commerciaux et de recherche situés dans des régions productrices de soya au Québec. Le but du projet était d'évaluer la relation entre les conditions agronomiques et environnementales sur la germination carpogène des sclérotes. En utilisant des données recueillies de 2019 à 2021 au Québec, la performance de différents modèles prédisant le risque de sévérité de la sclérotiniose et la formation d’apothécies dans le soya a été évaluée. Une fois validés et modifiés sous le climat du Québec, les modèles les plus précis pourraient être utilisés dans un système intégré d'aide à la décision pour les producteurs de soya du Québec
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".