Interview with Dave Robson, chairman and founder of Veritas DGC
Notice bibliographique
Résumé
How did you first land a job in geophysics? Through horses. I'm old enough to have ridden a horse to a country school in the wintertime in Canada because we didn't have snowplows, so we had these workhorses that we rode when the snow was too deep to walk. After I got out of the University of Alberta in 1964, I ended up with some better riding horses. A friend and I were living in a ranch west of Calgary boarding horses as a part-time occupation. One night there was a knock at the door and this fellow we had never seen before asked us, “Do you want to rent some land from us around here, fence it off and you can use it to run your horses?” We said, sure, we'd do that. He looked at my iron ring on my little finger and recognized that I was an engineer; and he had one on too. “What kind?” he asked. “Electrical,” I said. “Oh! We've got this seismic business … this electronics lab … maybe you should come down and talk to me.” I was working for a building contractor at the time, which I didn't find very exciting, so I did. My first assignment was six weeks in the bush in northern Alberta, planting geophones by day and fixing electronics at night. After that I worked in their electronics lab. And that's how I started; it was kind of fluky.
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 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».