MétaCan
Menu
Retour à la cohorte
Enregistrement W2810768457

Blow your own Trumpet

2016· article· en· W2810768457 sur OpenAlexaboutno aff
Laura Syrett

Notice bibliographique

RevueIndustrial Minerals · 2016
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueIndian Economic and Social Development
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPosition (finance)Consumption (sociology)CommerceEngineeringBusinessAgricultural economicsEconomyNatural resource economicsFinanceEconomicsSociologySocial science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The billionaire recently lambasted iPhone producer, Apple Inc., for sending parts of its supply chain overseas. actually think we can say now, and I really believe this, we're gonna get things coming (...) we're gonna get Apple to start building their damn computers and things in this country, instead of in other countries, he was quoted as bellowing at a rally earlier this year. Waiting in the wings is Canada. As the larger of the US' two direct neighbours in terms of land mass and with a well-developed mining industry and progressive exploration sector, Canada is in an advantageous position when it comes to supplying the US with freshly dug minerals and metals. Apart from mining these in its own soil, a significant proportion of the projects underway within US borders are being operated by Canadian companies, most of which are listed on the Toronto Venture Exchange (TSX-V). Meanwhile, graphite, the Cinderella of the lithium-ion (Li-ion) battery industry, looks likely to have another rough year this year, as demand from its traditional market - refractories for the steel industry - shrinks faster than consumption by green energy applications expands. Shruti Salwan, IM Analyst, outlines these headwinds but argues that demand for the battery raw material, spherical graphite, will spearhead the recovery in demand in 2016, if not prices ( p19 ).

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)0,004
score de la tête « metaresearch » (Gemma)0,025
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: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,191
Score d'incertitude au seuil0,640

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,025
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,003
Communication savante0,0100,008
Science ouverte0,0010,004
Intégrité de la recherche0,0050,009
Charge utile insuffisante (le modèle a refusé de juger)0,1910,081

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 Opus0,123
Tête enseignante GPT0,233
Écart entre enseignants0,110 · 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
GenreAutre

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

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIndustrial MineralsMême sujetIndian Economic and Social DevelopmentTravaux en français237 207