Notice bibliographique
Résumé
Introduction, Gavin E. Oxburgh, Trond Myklebust, Allison Redlich and Dave Walsh 1. Indonesia, R. Dian Dia-an Muniroh and E. Aminudin Aziz 2. Iran, Hossein Raeesi, Mahnaz Parakand, Kamiar Alaei and Nakissa Jahanbani 3. Israel, Carmit Katz 4. Japan, Makiko Naka 5. South Korea, Misun Yi, Eunkyung Jo and Michael E. Lamb 6. Australia, Jane Tudor-Owen and Adrian J. Scott 7. New Zealand, Nina J. Westera, Rachel Zajac and Deirdre A. Brown 8. Belgium, Michel Carmans and Pierre Patiny 9. England and Wales, Genevieve Waterhouse, Anne Ridley, Rachel Wilcock and Ray Bull 10. Estonia, Kristjan Kask 11. France, Samuel Demarchi, Anais Taddei, Laurent Fanton, Herve Fabrizi and Stefania Tamasan 12. Germany, Renate Volbert and Bianca Baker 13. Italy, Angelo Zappala and Francesco Pompedda 14. The Netherlands, Imke Rispens and Jannie van der Sleen 15. Portugal, Carlos Eduardo Peixoto, Catarina Ribeiro, Raquel Veludo Fernandes and Telma Sousa Almeida 16. Scotland, Annabelle Nicol, David La Rooy and Stuart Houston 17. Scandinavia, Kristina Kepinska Jakobsen, Ivar A. Fahsing and Emma Roos af Hjelmsater 18. Slovenia, Tinkara Pavsic Mrevlje, Igor Areh and Sabina Zgaga 19. Switzerland, J. Courvoisier, A. Schaller and M. Cyr 20. Canada, Sonja P. Brubacher, Nicholas C. Bala, Kim Roberts and Heather Price 21. Chile, C. Navaro, D. Mettidofo and F. Garcia 22. Brazil, Lilian Milnitsky Stein, Gustavo Noronha de Avila and Luis Roberto Benia 23. USA, Kyndra C. Cleveland, Jodi A. Quas and Stephanie Denzel Conclusion, Gavin E. Oxburgh, Trond Myklebust, Allison Redlich and Dave Walsh.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,052 | 0,016 |
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 ».