项目合作伙伴研究人员，图书馆员和AI打击饥饿

来自23个国家的八个团队，其中包括77个国家的研究人员正在采用基于证据的综合 - 严谨的文献分析，这些分析会聚在一起对特定问题的所有研究来评估他们的意思。这些合成依赖于透明度和严谨，因此其他研究人员可以重复该过程并得出相同的结论，广泛用于医学，而是对农业相对较新的结论。

“在这个信息过载的世界中，对所有领域的研究人员来说很重要，了解将以有条不紊的方式进行通知决策的文献综述，”凯特格利 - 科博尔，健康科学和证据综合图书馆员说康奈尔大学图书馆和气候有弹性作物团队的成员。

图书馆员表示，合成将如何评估一个地理位置成功的干预措施也将在其他地方工作。

“农业有地理特异性 - 这与世界各地或有时甚至在路上有时甚至50英里，”曼纳图书馆总监Mary Ochs79说。“所以你不能只是假设一个解决方案到处都会上班。但通过通过全面的系统评论拉动所有解决方案，您可以识别工作的方法，并考虑是否有可能在其他地方工作。“

除了在团队中嵌入图书馆员，CERES2030项目采用机器学习来完善其研究问题。凭借从康奈尔的同事的同事和世界各地以及世界各地的同事，Porciello创建了一种机器学习模型，加速了证据综合。它还扩大了合成的范围，使过程更具包容性。

“我们想找到年轻，新兴的研究人员，他们对非洲，亚洲和拉丁美洲的这些类型的干预措施做出了非常出色的工作，”她说。“我们想带来科学家的声音，我们以前没有听过。”

其他CERES2030研究问题涉及包括牲畜饲料和水资源稀缺，粮食损失，粮食损失的主题，小规模生产者如何与食品系统，农民组织和可持续发展的政策。

虽然她尚未了解结果，但Acevedo表示Ceres2030的方法 - 包括与图书馆员的密切合作 - 是农业科学的令人兴奋的方法。

“在加入CERES2030团队之前，我对农业的证据综合毫无少地了解。一旦我了解了它，我被迷上了，“她说。“在这个项目上工作允许我重新发现与有才华横溢的图书馆员合作的力量，他们可以帮助我们在康奈尔和其他合作机构在这里获得的文学海域。”

对CERES2030的资金支持来自德国的联邦经济合作和发展部，以及比尔和梅林达盖茨基金会。

本文也出现在康奈尔纪事中。