Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
MacGillivray Freeman Films was founded over forty years ago by Greg MacGillivray and the late Jim Freeman. In 2011, the company launched “the world’s largest ocean media campaign, a 10-year global initiative called One World One Ocean” (MacGillivray Freeman Films, 2010, Our History, para. 10), an awareness and change campaign focusing on saving the world’s oceans. The mission of One World One Ocean (OWOO) is to use “the power of film, television, new media and education initiatives… to change the way people see and value the ocean — and motivate action to restore it” (OWOO, 2012, Mission, para. 4). One World One Ocean’s science advisors, including principal advisor Dr. Sylvia Earle, believe that “the ocean is at a tipping point…. our actions over the next 10 years will determine the state of the ocean for the next 10,000 years” (OWOO, 2013, Why the Ocean?, para. 3). The media types used in the organization’s campaign were chosen because MacGillivray Freeman Films wants to develop and expand on its film-industry successes. This article outlines the history of One World One Ocean and explores its mission, its history, its scientific basis, its current projects and initiatives, its successes to date, and its future goals. It explains why these media platforms were chosen to support the organization’s mission and explores the vital questions of why it is important for all of us that we save the world’s oceans and how this mammoth task can be tackled before it is too late. The purposes of this article are to inform readers about One World One Ocean and to inspire them to consider ways they can work to achieve the organization’s crucial goals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle