MNSA 2014 Organizing Committee
Notice bibliographique
Résumé
Program Committee Rachid Anane, University of Coventry, UK Irfan Awan, University of Bradford, UK Kuo-Ming Chao, University of Coventry, UK Arjan Durresi, Indiana University Perdue University Indianapolis, USA Katherine Guo, Bell Labs, USA Takahiro Hara, Osaka University, Japan Hui-Huang Hsu, Tamkang University, Taiwan Runhe Huang, Hosei University, Japan Qun Jin, Waseda University, Japan Hiroaki Kikuchi, Tokai University, Japan Akio Koyama, Yamagata University, Japan Jiandong Li, Xidian University, China Kuan-Ching Li, Providence University, Taiwan Janhua Ma, Hosei University, Japan Takuo Nakashima, Tokai University, Japan Hiroaki Nishino, Oita University, Japan Masato Oguchi, Ochanomizu University, Japan Wenny Rahayu, La Trobe University, Australia Fumiaki Sato, Toho University, Japan Elhadi Shakshuki, Acadia University, Canada Timothy K. Shih, Tamkang University, Taiwan David Taniar, Monash University, Australia Cristian Tchepnda, France Telecom R&D, France Minoru Uehara, Toyo University, Japan Quincy Wu, National Chi Nan University, Taiwan Fatos Xhafa, Polytechnic University of Catalonia, Spain Muhammad Younas, Oxford Brookes University, UK Vamsi Paruchuri, University of Central Arkansas, USA Mieso Denko, University of Guelph, Canada
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 | 0,003 |
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.
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 ».