MétaCan
Menu
Retour à la cohorte
Enregistrement W1605166609 · doi:10.5751/es-01811-110150

Generating and Fostering Novelty

2006· article· en· W1605166609 sur OpenAlexvenueno aff
Lance Gunderson, Carl Folke, Marco A. Janssen

Notice bibliographique

RevueEcology and Society · 2006
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInnovation, Sustainability, Human-Machine Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSurpriseComputer scienceNoveltySimple (philosophy)Class (philosophy)Redundancy (engineering)Risk analysis (engineering)SimplicityManagement scienceOperations researchArtificial intelligenceEngineeringBusinessSociology

Résumé

récupéré en direct d'OpenAlex

Managing social-ecological systems can be daunting because of numeric and dynamic complexity. These complexities present great uncertainties for scientists, policy makers, stakeholders, and other groups. When approaching complicated problems, there are often mismatches between problems and solutions. At least three caricatures are useful in demonstrating the mismatch between problem and solution sets [See ADDENDUM]. For simple problems such as making a meal, a cookbook or recipe approach suffices. Other classes of complex problems are amenable to engineering approaches. For example, building bridges, sending men to the moon, or constructing trustworthy aircraft not only rely on a combination of optimization and efficiency to deal with limited resources but also call for functional redundancy to maintain system stability and reliability. The class of environmental issues and problems discussed in this journal and other outlets is much more complex and subject to true uncertainty and surprise, indeed, much more like raising a child. We argue that this class of problems requires novel approaches, creative combinations of strategies, and the ability to adapt in a changing environment.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,059
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,075

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,059
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0040,009
Communication savante0,0070,010
Science ouverte0,0040,015
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0160,003

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,300
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEcology and SocietyMême sujetInnovation, Sustainability, Human-Machine SystemsTravaux en français237 207