MétaCan
Menu
Retour à la cohorte
Enregistrement W2799805314 · doi:10.1038/s41467-018-04173-0

Quantifying climate feedbacks in polar regions

2018· review· en· W2799805314 sur OpenAlexafffund
Hugues Goosse, Jennifer E. Kay, Kyle C. Armour, Alejandro Bodas‐Salcedo, Hélène Chepfer, David Docquier, Alexandra Jonko, Paul J. Kushner, Olivier Lecomte, François Massonnet, Hyo‐Seok Park, Felix Pithan, Gunilla Svensson, Martin Vancoppenolle

Notice bibliographique

RevueNature Communications · 2018
Typereview
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensCanada Research ChairsUniversity of Toronto
Organismes subventionnairesHorizon 2020 Framework ProgrammeLos Alamos National LaboratoryNatural Sciences and Engineering Research Council of CanadaNational Nuclear Security AdministrationBelgian Federal Science Policy OfficeDepartment for Environment, Food and Rural Affairs, UK GovernmentNational Aeronautics and Space AdministrationFonds De La Recherche Scientifique - FNRSU.S. Department of EnergyMet OfficeNational Science Foundation
Mots-clésPolarEnvironmental scienceClimate systemClimatologyClimate modelPerturbation (astronomy)Radiative transferClimate changeSea iceAtmospheric sciencesEarth system scienceGeologyPhysicsOceanography

Résumé

récupéré en direct d'OpenAlex

The concept of feedback is key in assessing whether a perturbation to a system is amplified or damped by mechanisms internal to the system. In polar regions, climate dynamics are controlled by both radiative and non-radiative interactions between the atmosphere, ocean, sea ice, ice sheets and land surfaces. Precisely quantifying polar feedbacks is required for a process-oriented evaluation of climate models, a clear understanding of the processes responsible for polar climate changes, and a reduction in uncertainty associated with model projections. This quantification can be performed using a simple and consistent approach that is valid for a wide range of feedbacks, offering the opportunity for more systematic feedback analyses and a better understanding of polar climate changes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,144
Tête enseignante GPT0,367
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations557
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetCryospheric studies and observationsTravaux en français237 207