Notice bibliographique
Résumé
CHILDHOOD AMBITION To be a pilot. FONDEST MEMORY Finding out I was healed of cancer and that my baby was healthy. FAVORITE MOVIE SOUNDTRACKS Easy Rider and Shrek. WILDEST DREAMS To be a writer and to go hang gliding. PROUDEST MOMENTS Independently moving from Buffalo, New York, to San Diego, California, in 1983; receiving my master's degree as a critical care clinical nurse specialist in 1992. PERFECT DAY Relaxing at our family cottage on the lake, in Long Beach, Ontario, Canada, with my husband, daughter, parents, many siblings, nieces, and nephews. FIRST HEALTH CARE JOB At age 17 as a nurse's aide at the Skilled Nursing Facility at Kenmore Mercy Hospital in Buffalo. SECRET SIN Sponge candy (a confectionary specialty of Buffalo). LAST PURCHASE A great pair of dressy, dark-brown, high-heeled sandals. INSPIRATIONS Faith; our 11-year-old daughter's battle against inflammatory bowel disease; my brother Charlie's political involvement. SCARIEST MOMENT Finding out I had microinvasive adenocarcinoma of the cervix when I was five months' pregnant. BEST VACATION Hiking and white-water rafting with my husband in Yellowstone, Grand Teton, and Glacier National Parks. FAVORITE MOVIE To Kill a Mockingbird. FAVORITE FOOD A Reuben sandwich from D. Z. Akin's, a deli in San Diego. WORST DATE'S FIRST NAME Ernie (his best friend's name was Bert). FAVORITE BOOK The Pillars of the Earth by Ken Follett. DREAM VACATION A one-month Mediterranean cruise, with stops in Spain, the south of France, Italy's coast, the Greek isles. I ASPIRE TO … Create healing environments for critically ill patients and their families. NURSING AMBITION To inspire passion for nursing in others.Figure
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,791 | 0,583 |
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 ».