Retrospective and Prospects for Cold Regions Landslide Research (2012–2016) (WCoE 2014–2017, IPL-132, IPL-167, IPL-203, CRLN)
Notice bibliographique
Résumé
For nearly 100 years, the average temperature of the global surface has showed a consistent warming trend. Climate change and extreme weather events causing landslides are rising, especially landslides in cold regions, and the topic has become a hot issue in landslide research. With the support of ICL and the Chinese government, based on highway construction projects in Heilongjiang Province (China), Prof. Shan and his group (Institute of Cold Regions Science and Engineering, North East Forestry University, China) conducted thematic studies focusing on environmental and engineering geology problems in cold regions in the context of climate change, such as IPL132, IPL167, and IPL203. These studies attracted the interest of international colleagues, then Chinese colleagues, together with researchers from Russia, Canada, Japan, Italy and Czech Republic, together organized the ICL-cold regions landslide network (ICL-CRLN). In ICL-CRLN researchers could exchange research information and results, and so promote the development of landslide research in cold regions. In 2014, IPL-GPC approved the establishment of IPL-WCoE: Research Center of Cold Regions Landslide, so landslide research in cold regions came into a new stage of development. This article is a summary and outlook of these activities.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».