FKI evaluation – North Macedonia, 2026 preliminary
Full transparency: here you can see how many points each expert model gave each sub-indicator, with what own estimate range, and what the final value is. The calculation follows version 5.2 of the measurement rules.
The other countries’ evaluations are made with the same procedure as the Hungarian one, but the experts also estimate the machine-calculated terms (E1, E1a, T1, T2). The values are preliminary.
Other countriesThe reasons, the footnote and FD Finder Expert’s written assessment are in Hungarian.
Result
With good practice, the FKI would be about 0.7 points lower.
The experts
Three expert models, from three different developers, do the scoring independently of each other, working from the verified evidence list and FD Finder’s professional knowledge base. Each gives an exact value and its own estimate range. The scores count with equal weight.
| Model | Version | Note |
|---|---|---|
| Anthropic Claude | Opus 5.5 | |
| Google Gemini | Gemini 4 Argon | |
| OpenAI ChatGPT | GPT-6 Astra, ChatGPT Work |
Every score in one table
The experts’ scores, with their own estimate range in brackets. The final value is the central value of the scores (the average of the median and the mean); only a reasoned decision can depart from it, between the lowest and the highest score.
| Sub-indicator | Anthropic Claude | Google Gemini | OpenAI ChatGPT | Final |
|---|---|---|---|---|
| Spread | ||||
| E1 Extent of infection | 0 | 0 | 0 | 0 |
| E1a Confirmed exposure | 0 | 0 | 0 | 0 |
| I Infection density | 0 | 0 | 0 | 0 |
| T9 Introduction pressure | 34(24–50) | 54(42–66) | 33(20–58) | 37.2 |
| T1 Leafhopper distribution | 4(0–20) | 0(0–10) | 5(0–25) | 3.5 |
| T2 Leafhopper density | 5(0–25) | 0(0–10) | 7(0–31) | 4.5 |
| T3 Lack of control in commercial vineyards | 90(68–98) | 85(70–95) | 88(66–98) | 87.8 |
| T5a Lack of control in abandoned refuges | 90(70–98) | 90(75–98) | 94(74–99) | 90.7 |
| T5b Lack of control in home-garden vines | 90(72–98) | 90(75–98) | 90(68–99) | 90 |
| T4 Shortfall in control quality | 62(45–78) | 55(40–70) | 65(42–85) | 61.3 |
| T7 Lack of awareness about control | 85(68–95) | 65(50–80) | 78(55–94) | 77 |
| T10 Lack of source removal | 0(0–5) | 0(0–5) | 0 | 0 |
| T11 Lack of economic capacity for control | 55(42–68) | 48(35–62) | 51(32–72) | 51.2 |
| T6 Propagating-material pathway | 62(50–75) | 55(42–68) | 56(35–77) | 56.8 |
| T8 Weather | – | – | – | 50 |
| Unknown foci | ||||
| G1 Unsurveyed share, commercial | 98(92–100) | 95(88–99) | 95(79–99) | 95.5 |
| G5a Unsurveyed share, home gardens | 99(93–100) | 98(90–100) | 96(80–99) | 97.8 |
| G5b Unsurveyed share, abandoned vineyards | 99(93–100) | 98(90–100) | 96(78–99) | 97.8 |
| G2 Survey unreliability | 45(30–62) | 48(35–62) | 41(22–66) | 44.8 |
| G4 Weakness of automated pre-screening | 97(90–100) | 100(95–100) | 98(85–100) | 98.2 |
| G3 Lack of lab confirmation | 20(5–45) | 35(20–55) | 37(10–71) | 32.8 |
| G6 Difficulty of notification | 52(40–65) | 55(40–70) | 52(34–72) | 52.5 |
| G8 Disincentives to notify | 42(22–58) | 65(45–85) | 43(18–76) | 46.5 |
| G11 Lack of economic interest in detection | 52(38–68) | 46(35–60) | 47(28–70) | 47.7 |
| Vine loss | ||||
| V1 Lack of a cure | 80(76–88) | 95(90–98) | 75(75–95) | 81.7 |
| V2 Lack of resistant varieties | 100(97–100) | 100(99–100) | 100 | 100 |
| V3 Lack of recovery | – | – | – | 100 |
| V4 General plant-health condition | – | – | – | 50 |
| V5 Lack of resources for community treatment and research | 76(65–85) | 70(58–82) | 77(56–93) | 75.2 |
| V6 Lack of a market for development | 72(60–82) | 60(48–72) | 66(44–84) | 66 |
| Epidemic burden | ||||
| J Epidemic burden | 0 | 0 | 0 | 0 |
FD Finder Expert’s summary
Észak-Macedónia 12%-os értéke (sáv: 11–24) előzetes, és a gépi tagokat (E1, E1a, T1, T2) itt is szakértők becsülték: Claude, Gemini és ChatGPT. Igazolt FD és EPPO-bejegyzés nincs (MK-001), ezért az E1, az E1a és a J nulla, és a 12% (terjedés, T 3,6, ismeretlen gócok, G 4,4) a behurcolási és terjedési nyomást mutatja, nem járványképet. A nulla nem mentesség, mert 2026-ra az FD-re mindössze 99 000 dénárt különítettek el (MK-026), az eredmények nem nyilvánosak, és az át nem vizsgált terület (G1) 95,5 pont. A nyomást a széles körben fertőzött Szerbia (MK-011) és a bolgár első lelet (MK-008) adja, a határ menti szerb körzetben 2023-ban kabócát is jelentettek (MK-007), a hazai vektoradat viszont ellentmondásos: a 2026-os fajlistán nem szerepel (MK-012), egy másodlagos cikk megemlíti (MK-013), a T1 3,5. A legnagyobb eltérés a kártalanításnál (G8) volt: Claude 42, ChatGPT 43, Gemini 65 pontot adott, mert Claude és ChatGPT az általános törvényi kártalanítási lehetőségre, Gemini az FD-re szóló szabályról szóló adat hiányára figyelt. A legnagyobb bizonytalanság a szemle és a csapdázás nem közölt eredménye, ezért a pontosabb értékhez közzétett minta- és fogási számok, valamint átvizsgált hektár kellene.
By sub-indicator
E1 — Extent of infection
MethodologyFinal value: 0 · central value: 0 (median: 0 · mean: 0) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 0 | not given | A | Nincs igazolt FD szőlőben; a felügyelet kis mintaszámú.Knowledge base: orszagcsomag |
| Google Gemini | 0 | not given | A | Észak-Macedóniában nincs igazolt FD, ezért a szabály szerint E1 = 0[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 0 | not given | B | Nincs igazolt észak-macedóniai FD-előfordulás, ezért a feladat szabálya szerint nulla. |
E1a — Confirmed exposure
MethodologyFinal value: 0 · central value: 0 (median: 0 · mean: 0) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 0 | not given | A | Nincs igazolt pont. |
| Google Gemini | 0 | not given | A | Nincs igazolt FD az országban, ezért E1a = 0[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 0 | not given | B | Igazolt hazai FD-pont hiányában a meghatározott kitettség nulla. |
I — Infection density
MethodologyFinal value: 0 · central value: 0 (median: 0 · mean: 0) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 00% | not given | A | Nincs igazolt FD, ez adat. |
| Google Gemini | 00% | not given | A | Nincs igazolt FD az országban, ezért I = 0[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 00% | not given | B | Igazolt hazai FD hiányában a feladat szerinti fertőzéssűrűség nulla. |
T9 — Introduction pressure
MethodologyFinal value: 37.2 · central value: 37.2 (median: 34 · mean: 40.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 34 | (24–50) | B | Szerbia széles elterjedés, de az 50 km-es sávban FD-góc nem igazolt, ott a vektor 2023-ban jelen; Bulgária kb. 300 km; import IT és RS.Knowledge base: orszagcsomag |
| Google Gemini | 54 | (42–66) | A | Az északi szomszéd Szerbiában az FD széles körben elterjedt és a határ menti Pčinja/Vranje körzetben a vektor is jelen van, keleten Bulgáriában pedig 2025-ben jelent meg az FD[cite: 1].Knowledge base: 28i_orszag_gr |
| OpenAI ChatGPT | 33 | (20–58) | C · data gap | Szerbiában és Bulgáriában igazolt FD van, de a Vranje-közeli vektorészlelés nem bizonyít 50 km-en belüli FD-gócot. |
T1 — Leafhopper distribution
MethodologyFinal value: 3.5 · central value: 3.5 (median: 4 · mean: 3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 4 | (0–20) | B · data gap | Igazolt lelet és EPPO-bejegyzés nincs, a hatósági csapdázás eredménye nem nyilvános; a határ menti sáv 6,4 % a valószínű belépés.Knowledge base: orszagcsomag |
| Google Gemini | 0 | (0–10) | A | Az EPPO-ban és a 2026-os idegenhonos gerinctelen fajlistán (Cvetkovska-Gjorgjievska et al. 2026) sem szerepel a Scaphoideus titanus Észak-Macedóniában[cite: 1].Knowledge base: 05_vektor_amerikai_szolokaboca.md |
| OpenAI ChatGPT | 5 | (0–25) | C · data gap | Hiteles, friss hazai vektorészlelés nem azonosítható, de az adatbázis- és fajlistahiány nem teljes körű negatív felmérés. |
T2 — Leafhopper density
MethodologyFinal value: 4.5 · central value: 4.5 (median: 5 · mean: 4) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 5 | (0–25) | C · data gap | Vektorpopuláció nem ismert; kezelés előtti, kezeletlen és kezelés utáni fogás sincs közölve.Knowledge base: orszagcsomag |
| Google Gemini | 0 | (0–10) | B · data gap | A vektort külön figyelik a fitoszanitér programban, de jelenlétét és fogását eddig nem igazolták[cite: 1].Knowledge base: 05_vektor_amerikai_szolokaboca.md |
| OpenAI ChatGPT | 7 | (0–31) | C · data gap | Kezelés előtti lárvasűrűség és kezeletlen csapdafogás nincs, kezelés utáni fogást nem használtam. |
T3 — Lack of control in commercial vineyards
MethodologyFinal value: 87.8 · central value: 87.8 (median: 88 · mean: 87.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 90 | (68–98) | C · data gap | Nincs felhívás és kötelezés, mert a vektor nem igazolt; csak más kártevő elleni kezelés hat mellékesen.Knowledge base: orszagcsomag |
| Google Gemini | 85 | (70–95) | C · data gap | FD és igazolt vektor hiányában nincs kötelező kabóca elleni védekezés az árutermő területeken[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 88 | (66–98) | C · data gap | FD-vektor elleni országos kezelési kötelezettség és végrehajtás nem dokumentált; az általános növényegészségügyi program nem kezelési arány. |
T5a — Lack of control in abandoned refuges
MethodologyFinal value: 90.7 · central value: 90.7 (median: 90 · mean: 91.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 90 | (70–98) | C · data gap | Program nincs, a felhagyott állomány jelentős lehet; vektor nélkül ma tárgytalan.Knowledge base: orszagcsomag |
| Google Gemini | 90 | (75–98) | C · data gap | Nincs felhagyottültetvény-felszámolási vagy kabócairtási program[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 94 | (74–99) | C · data gap | A felhagyott szőlők kabóca elleni kezelésének vagy felszámolásának aránya nem ismert. |
T5b — Lack of control in home-garden vines
MethodologyFinal value: 90 · central value: 90 (median: 90 · mean: 90) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 90 | (72–98) | C · data gap | Házikerti statisztika és kabóca elleni szabály nincs.Knowledge base: orszagcsomag |
| Google Gemini | 90 | (75–98) | C · data gap | A házikertekben nincs kabóca elleni védekezési kötelezettség vagy gyakorlat[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 90 | (68–99) | C · data gap | Házikerti FD-vektor elleni kezelési program és tényleges részvétel nem dokumentált. |
T4 — Shortfall in control quality
MethodologyFinal value: 61.3 · central value: 61.3 (median: 62 · mean: 60.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (45–78) | B · data gap | Hazai kabócaengedély és előrejelzés nem igazolt; a program integrált hálózatot tervez.Knowledge base: orszagcsomag |
| Google Gemini | 55 | (40–70) | A · data gap | A 2026-os fitoszanitér program tartalmaz csapdabeszerzést és integrált növényvédelmi hálózatépítést, de vektor híján nincs lárvastádium-előrejelzés[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 65 | (42–85) | C · data gap | Az általános program nem igazol FD-specifikus fenológiai előrejelzést, megfelelő ökológiai szerválasztékot és összehangolt időzítést. |
T7 — Lack of awareness about control
MethodologyFinal value: 77 · central value: 77 (median: 78 · mean: 76) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 85 | (68–95) | B | Vektorra szóló felhívás nincs; csak általános célcsoportos kommunikáció a programban.Knowledge base: orszagcsomag |
| Google Gemini | 65 | (50–80) | A · data gap | A 2026-os fitoszanitér program előír célcsoport-specifikus kommunikációt, de a szőlőtartók tényleges eléréséről nincs adat[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 78 | (55–94) | C · data gap | Kommunikációs előirányzat van, de az időben és célzottan elért szőlőtartók, különösen a kiskertek aránya ismeretlen. |
T10 — Lack of source removal
MethodologyFinal value: 0 · central value: 0 (median: 0 · mean: 0) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 0 | (0–5) | C | Nincs igazolt tőke, a nevező üres; a felügyelő megsemmisítést rendelhet el.Knowledge base: orszagcsomag |
| Google Gemini | 0 | (0–5) | A | Nincs igazolt fertőzött tőke az országban[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 0 | not given | B | Nincs igazolt, eltávolítandó FD-tőke, ezért aktuális eltávolítási elmaradás sincs. |
T11 — Lack of economic capacity for control
MethodologyFinal value: 51.2 · central value: 51.2 (median: 51 · mean: 51.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 55 | (42–68) | A | Vranec 21,8 MKD/kg kb. 0,35 EUR az önköltség kb. 0,36 EUR-jához, válságtámogatás és likviditási hitel; szerfejlesztés nem ismert.Knowledge base: orszagcsomag |
| Google Gemini | 48 | (35–62) | A | A törvény szerint a felvásárlási árat (2026: Vranec 21,8 MKD/kg, Smederevka 20 MKD/kg) az önköltség + 25% felár alapján határozzák meg, válságtámogatással és 12,8 M EUR hitelkerettel[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 51 | (32–72) | C · data gap | A válságtámogatás és a jobb közölt árak enyhíthetik a terheket, de a tényleges súlyozott jövedelem és kifizetés nem ismert. |
T6 — Propagating-material pathway
MethodologyFinal value: 56.8 · central value: 56.8 (median: 56 · mean: 57.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (50–75) | B · data gap | Import FD-s országokból, 2023-ban faiskolai FD-vizsgálat nélkül, EU-ajánlások nem teljesültek; a házi szaporításról nincs adat.Knowledge base: orszagcsomag |
| Google Gemini | 55 | (42–68) | B · data gap | A tanúsított szaporítóanyag-ellenőrzés létezik, de az Európai Bizottság 2025-ös országjelentése szerint a növényegészségügyi kontrollban és jogharmonizációban még hiányosságok vannak[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 56 | (35–77) | C · data gap | Tanúsítási keret van, de a végrehajtási hiányok és a nem kereskedelmi szaporítóanyag-forgalom ellenőrzése nem számszerű. |
T8 — Weather
MethodologyFinal value: 50 · Evidence: class A
Value calculated from official data with a fixed script.
Rule applied: gépi számítás (0. lépés)
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | – | not given | C | Őszi futásban a feladat szerint 50.Knowledge base: orszagcsomag |
| Google Gemini | – | not given | C | Őszi futásnál a szabály szerint a T8 értéke 50[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | – | not given | C | A feladat őszi rögzített értéke 50. |
G1 — Unsurveyed share, commercial
MethodologyFinal value: 95.5 · central value: 95.5 (median: 95 · mean: 96) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 98 | (92–100) | B · data gap | Hatósági: 2026-ra 45 labor és 140 szemle tervezett (99 000 MKD), hektár ismeretlen, tény nem nyilvános; drón és egyéb nincs.Knowledge base: orszagcsomag |
| Google Gemini | 95 | (88–99) | B · data gap | A 2026-os fitoszanitér programban az FD felderítésére mindössze 99 000 dénárt (~1600 EUR) különítettek el, ami csak minimális mintavételt tesz lehetővé[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 95 | (79–99) | C · data gap | 2026. VII.20–IX.30.: hatósági, szemlecsoportos, drónos és egyéb hektár, pontos szemledátum és átfedés ismeretlen; a keretösszeg nem szemleteljesítés. |
G5a — Unsurveyed share, home gardens
MethodologyFinal value: 97.8 · central value: 97.8 (median: 98 · mean: 97.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 99 | (93–100) | C · data gap | Házikerti szemle nincs.Knowledge base: orszagcsomag |
| Google Gemini | 98 | (90–100) | C · data gap | A kiskertek FD-vizsgálatáról nincs adat[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 96 | (80–99) | C · data gap | A házikerti szőlők tünetszezoni szemlearánya és a megfelelő nevező nem áll rendelkezésre. |
G5b — Unsurveyed share, abandoned vineyards
MethodologyFinal value: 97.8 · central value: 97.8 (median: 98 · mean: 97.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 99 | (93–100) | C · data gap | Felhagyott szőlőre nincs adat és szemle.Knowledge base: orszagcsomag |
| Google Gemini | 98 | (90–100) | C · data gap | A felhagyott ültetvények FD-vizsgálatáról nincs adat[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 96 | (78–99) | C · data gap | A felhagyott ültetvények vizsgált területaránya nem dokumentált. |
G2 — Survey unreliability
MethodologyFinal value: 44.8 · central value: 44.8 (median: 45 · mean: 44.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 45 | (30–62) | C | Írott protokoll, évi két szemle, a képzés ismeretlen; az első szemle a tünetablak előtt kezdődhet, a BN mindenütt jelen.Knowledge base: orszagcsomag |
| Google Gemini | 48 | (35–62) | B · data gap | Az egyetemi és hatósági szakemberek ismerik a fitoplazmákat (a BN gyakori az országban), de a felügyeleti kapacitás korlátozott[cite: 1, 2].Knowledge base: 04_differencialdiagnozis.md |
| OpenAI ChatGPT | 41 | (22–66) | C · data gap | Hivatalos program létezik, de az FD-szemlézők képzettsége, egységes protokollja és tünetablakos végrehajtása nem igazolt. |
G4 — Weakness of automated pre-screening
MethodologyFinal value: 98.2 · central value: 98.2 (median: 98 · mean: 98.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 97 | (90–100) | C | Ismert gépi FD-előszűrés nincs.Knowledge base: orszagcsomag |
| Google Gemini | 100 | (95–100) | C | Nincs gépi FD-előszűrés Észak-Macedóniában[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 98 | (85–100) | C · data gap | Validált, érdemi területre kiterjedő FD-gépi előszűrés nem dokumentált. |
G3 — Lack of lab confirmation
MethodologyFinal value: 32.8 · central value: 32.8 (median: 35 · mean: 30.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 20 | (5–45) | C · data gap | Kapacitás és protokoll van, átfutás és mintázatlan gyanú aránya nem ismert.Knowledge base: orszagcsomag |
| Google Gemini | 35 | (20–55) | B · data gap | Egyetemi és hatósági PCR-kapacitás létezik, de az alacsony FD-keret (99 000 MKD) miatt a rutin mintaszám kicsi[cite: 1].Knowledge base: 04_differencialdiagnozis.md |
| OpenAI ChatGPT | 37 | (10–71) | C · data gap | Labor- és monitoringkeret ismert, de a 30 napos eredményarány és a mintázatlan gyanúk aránya hiányzik. |
G6 — Difficulty of notification
MethodologyFinal value: 52.5 · central value: 52.5 (median: 52 · mean: 53) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 52 | (40–65) | C | Azonnali értesítés a felügyelőnek vagy közszolgáltatónak, online űrlap nem ismert.Knowledge base: orszagcsomag |
| Google Gemini | 55 | (40–70) | B · data gap | Hagyományos hatósági bejelentési út működik, dedikált online FD-bejelentő felület nincs[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 52 | (34–72) | C · data gap | Hatósági kapcsolat létezik, de a bejelentés elektronikus követése és visszajelzési ideje nem igazolt. |
G8 — Disincentives to notify
MethodologyFinal value: 46.5 · central value: 46.5 (median: 43 · mean: 50) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 42 | (22–58) | C · data gap | A törvény bejelentéshez köti a kártalanítást, bizottság becsül; a keret kicsi, kifizetési idő és gyakorlat nem ismert.Knowledge base: orszagcsomag |
| Google Gemini | 65 | (45–85) | C · data gap | FD-specifikus kártalanítási szabályról nincs adat[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 43 | (18–76) | C · data gap | Általános kártalanítási lehetőség mellett az FD-térítés ültetvényértékhez viszonyított fedezete és átlagos ideje ismeretlen. |
G11 — Lack of economic interest in detection
MethodologyFinal value: 47.7 · central value: 47.7 (median: 47 · mean: 48.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 52 | (38–68) | B | Nullszaldó közeli ár, állami felvásárlási beavatkozás; kilépési megszólalás nincs.Knowledge base: orszagcsomag |
| Google Gemini | 46 | (35–60) | B | 2026-ban ~93 millió kg szőlőt értékesítettek és Kavadarci térségében nem maradt szüretlen borszőlő, így a termelők érdekeltek az ültetvények fenntartásában[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 47 | (28–70) | C · data gap | A támogatási és értékesítési intézkedések javíthatják a termelési érdeket, elterjedt FD-elhallgatásra vagy küszöbkivárásra nincs adat. |
V1 — Lack of a cure
MethodologyFinal value: 81.7 · central value: 81.7 (median: 80 · mean: 83.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 80 | (76–88) | C | Laborban van jelzés, szabadföldön nincs igazolt hatás, engedély nincs.Knowledge base: 47 |
| Google Gemini | 95 | (90–98) | C | Nincs engedélyezett, hatásos gyógymód az FD ellen[cite: 1, 2].Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 75 | (75–95) | C | Laboratóriumi és üvegházi FD-ellenes hatás ismert, igazolt szabadföldi gyógymód nincs. |
V2 — Lack of resistant varieties
MethodologyFinal value: 100 · central value: 100 (median: 100 · mean: 100) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 100 | (97–100) | C | Igazoltan ellenálló fajta nincs.Knowledge base: orszagcsomag, 47 |
| Google Gemini | 100 | (99–100) | C | A fő fajták (Vranec, Smederevka, Kratošija) nem ellenállók az FD-vel szemben[cite: 1].Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 100 | not given | C | Igazoltan FD-ellenálló fajtával beültetett terület nem ismert; a vírusmentes minősítés nem FD-rezisztencia. |
V3 — Lack of recovery
MethodologyFinal value: 100
It has no effect in the formula under mandatory grubbing up, so it is not scored.
Rule applied: kötelező kivágás alatt nem pontozandó (5.2): a legutóbbi érték marad
V4 — General plant-health condition
MethodologyFinal value: 50
It has no effect in the formula under mandatory grubbing up, so it is not scored.
Rule applied: kötelező kivágás alatt nem pontozandó (5.2): a legutóbbi érték marad
V5 — Lack of resources for community treatment and research
MethodologyFinal value: 75.2 · central value: 75.2 (median: 76 · mean: 74.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 76 | (65–85) | B | FD-re 99 000 MKD a 64,9 M MKD-s programból, a banki hitelkeret likviditásra szól; kutatási és közösségi keret nincs.Knowledge base: orszagcsomag |
| Google Gemini | 70 | (58–82) | A | A 64,875 millió MKD-s fitoszanitér programból az FD-re csak 99 000 MKD (~1600 EUR) jut, közösségi fajtaváltási alap nincs[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 77 | (56–93) | C · data gap | A monitoring és az általános agrárforrás nem elkülönített FD-gyógymód-, fajtakutatási vagy közösségi kezelési keret. |
V6 — Lack of a market for development
MethodologyFinal value: 66 · central value: 66 (median: 66 · mean: 66) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 72 | (60–82) | B | A termő szőlő 2019 óta 11,7 %-kal csökkent, a bor 60 %-a lédig, gyenge fizetőképesség.Knowledge base: orszagcsomag |
| Google Gemini | 60 | (48–72) | A | Stabil bor- és szőlőexport (~93 ezer t feldolgozott és exportált szőlő), de alacsony felvásárlási árszint és állami beavatkozást igénylő piac[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 66 | (44–84) | C · data gap | A likviditási igény és az exportfüggőség gyenge fejlesztési keresletet jelezhet, de tartós piacösszeomlás nem igazolt. |
J — Epidemic burden
MethodologyFinal value: 0 · central value: 0 (median: 0 · mean: 0) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 00% | not given | A | Nincs igazolt FD, ez adat. |
| Google Gemini | 00% | not given | A | Nincs igazolt FD az országban, ezért J = 0[cite: 1].Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| OpenAI ChatGPT | 00% | not given | B | A számláló nulla igazolt vagy FD-miatt kijelölt tő; az országos tőszám hiánya a feladat szerinti nulla értéket nem módosítja. |
Expert estimate, not official data.