Notice bibliographique
Résumé
Description/Method: The data for “Grassland Dataset 1” was collected on Friday September 26 2014 from 15:00-15:45, in a grassland area at the Keele Campus of York University in Toronto, Ontario. Weather conditions included clear, sunny skies with no prevalent cloud cover, little to no wind and a temperature of 25 degrees Celsius. A 2x2m quadrat was placed in a random location in the grassland area by the researcher. Variables to be collected in this dataset included: abundance of plants, number of individual species, vegetation cover (%) and grass cover (%). Each quadrat was visually divided into quarters by the researcher in order to count the abundance of plants (the total number of individuals) and multiplied by 4 to obtain the abundance of plants in the entire quadrat area. Individuals of grass species were not taken into account to avoid an increased likelihood in miscounting errors. All remaining data was collected by observation and estimation. The quadrat was relocated to 24 subsequent unique random locations in the grassland area, in order to obtain a total of 25 samples of the experiment. The abundance of plants and number of unique species were expected have relatively constant numbers respectively, due to the high density of vegetation and grass in the grassland area. Researchers also expected the abundance of plants and the vegetation cover to have a direct relationship. Fellow York University biology student, Kristina Gulli was my research partner in the conduction of this experiment. Fellow group members also included: Yu Xiao and Naz Naji.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,056 | 0,067 |
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 source (Gemma direct ou Codex distillé), 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 ».