SCINDR - The SCience INtroDuction Robot that will Connect Open Scientists
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This project will develop a way to connect, in real time, globally disparate researchers who are doing similar science so that they can work better and faster towards the development of new medicines. The scientific literature already fulfills the role of notifying researchers about work that has been done, and social media has recently evolved to alert researchers to what is being done. While these new communication technologies simplify the collaborative process between widely distributed researchers, there still exists a major gap in efficient real time alerting and updating. We aim to automate an alert process so that, as a researcher records what they are doing in a natural way, they are immediately alerted to others around the world in real time who are working on related science. Our system is built on the conceptual model of the machine understanding of human-generated content, used by social media platforms to generate alerts to further relevant content. The system we propose to build will understand the molecular information being recorded in a scientist’s notebook. It will then search both its own records and others in the public domain in order to introduce scientists where there may be mutual advantage - when two laboratories are working on similar molecules, assays or approaches, for example. To achieve this, we will build on a recently developed open source electronic lab notebook (ELN) to create the required component - the automated alerting service we call the SCience INtroDuction Robot, or SCINDR. We foresee wide application of SCINDR in chemical and biological research because it will accelerate research by connecting people. In so doing, SCINDR will provide the incentive for others to take their research into the public domain (Fig. 1).
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle