MétaCan
Menu
Retour à la cohorte
Enregistrement W2809684303 · doi:10.1039/c7ee03639f

Pathways to electrochemical solar-hydrogen technologies

2018· article· en· W2809684303 sur OpenAlexfundno aff
Shane Ardo, David Fernández Rivas, Miguel A. Modestino, Verena Schulze Greiving, Fatwa F. Abdi, Esther Alarcón‐Lladó, Vincent Artero, Katherine E. Ayers, Corsin Battaglia, Jan‐Philipp Becker, Dmytro Bederak, Alan Berger, Francesco Buda, Enrico Chinello, B. Dam, Valerio Di Palma, Tomas Edvinsson, Katsushi Fujii, Han Gardeniers, Hans Geerlings, S. Mohammad H. Hashemi, Sophia Haussener, Frances A. Houle, Jurriaan Huskens, Brian D. James, Kornelia Konrad, Akihiko Kudo, Pramod Patil Kunturu, Detlef Lohse, Bastian Mei, Eric L. Miller, Gary F. Moore, Jiri Muller, Katherine L. Orchard, Timothy E. Rosser, Fadl H. Saadi, J.W.A. Schüttauf, Brian Seger, Stafford W. Sheehan, Wilson A. Smith, Joshua M. Spurgeon, Maureen H. Tang, Roel van de Krol, Peter C. K. Vesborg, Pieter Westerik

Notice bibliographique

RevueEnergy & Environmental Science · 2018
Typearticle
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensnon disponible
Organismes subventionnairesOffice of Energy EfficiencyOffice of ScienceDivision of Chemical, Bioengineering, Environmental, and Transport SystemsFuel Cell Technologies ProgramNederlandse Organisatie voor Wetenschappelijk OnderzoekAgence Nationale de la RechercheOffice of Energy Efficiency and Renewable EnergyU.S. Department of EnergyEuropean CommissionMinisterie van Onderwijs, Cultuur en WetenschapYork UniversitySchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungMinisterie van Economische ZakenVillum FondenNational Science Foundation
Mots-clésElectrochemistryHydrogen technologiesMaterials scienceEnvironmental scienceHydrogenEngineering physicsNanotechnologyHydrogen productionChemistryEngineeringHydrogen economyElectrode

Résumé

récupéré en direct d'OpenAlex

Several application fields can benefit from solar-hydrogen technologies via specific short-term and long-term pathways.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,079

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0240,005

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 Opus0,007
Tête enseignante GPT0,192
Écart entre enseignants0,186 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

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

En bref

Citations346
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & Environmental ScienceMême sujetHybrid Renewable Energy SystemsTravaux en français237 207