MétaCan
Menu
Retour à la cohorte
Enregistrement W2024473091 · doi:10.2134/csa2015-60-5-1

Moving science <i>forward</i> through: Meta‐analysis

2015· article· el· W2024473091 sur OpenAlexaboutno aff
Madeline Fisher

Notice bibliographique

RevueCSA News · 2015
Typearticle
Langueel
DomaineEnvironmental Science
ThématiqueTurfgrass Adaptation and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSubject (documents)Reading (process)Operations researchPsychologySociologyLibrary scienceComputer sciencePolitical scienceLawMathematics

Résumé

récupéré en direct d'OpenAlex

efore Fernando Miguez began running experiments as a University of Illinois master's student, like any good scientist he dove first into the research literature.His subject was the effect of winter cover crops on summer corn yields, and by the time Miguez entered grad school, a healthy body of work already existed.So, he sat down to review a stack of studies, thinking, naturally enough, that he'd soon hit upon a knowledge gap to target in his trials.He thought wrong."To be honest, it seemed like the more papers I read, the more confused I was," says the ASA and CSSA member, now an assistant professor at Iowa State University.Yields varied widely by year and with local climate and soil conditions, leaving him unable to discern any clear trends.Eventually, he gave up and chose a different tack."I thought, 'Let's try to do a meta-analysis on this topic,' " he says, "because reading more papers is not helping."Meta-analysis-a statistical technique for combining and analyzing the results from 10 or 20 to hundreds of studies-has been practiced for decades, and in some fields, such as medicine, its use is routine.The principle behind it is that scientific debates, even small ones, are never resolved by a few experiments.Instead, "it's the collection of results from many sources that move science forward and inform our decision-making," says Ohio State University plant pathologist and meta-analysis expert, Larry Madden."Science is meant to be a cumulative process."Done right, meta-analysis is simply the most robust, objective means to conduct this process, Madden adds, particularly when studies say different things, as in Miguez's case."It's a way to look at an entire collection of published papers and try to make general sense of them," agrees Chris van Kessel, a University of California-Davis agronomist, experienced meta-

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)0,207
score de la tête « metaresearch » (Gemma)0,458
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,793
Score d'incertitude au seuil0,978

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2070,458
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0110,019
Bibliométrie0,0100,010
Études des sciences et des technologies0,0020,003
Communication savante0,0140,011
Science ouverte0,0050,006
Intégrité de la recherche0,0070,015
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,097
Tête enseignante GPT0,304
Écart entre enseignants0,206 · 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
DomaineMéthodes
GenreCommentaire

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

En bref

Citations7
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCSA NewsMême sujetTurfgrass Adaptation and ManagementTravaux en français237 207