The Community Foehn Classification Experiment
Notice bibliographique
Résumé
Abstract Strong winds crossing elevated terrain and descending to its lee occur over mountainous areas worldwide. Winds fulfilling these two criteria are called foehn in this paper although different names exist depending on the region, the sign of the temperature change at onset, and the depth of the overflowing layer. These winds affect the local weather and climate and impact society. Classification is difficult because other wind systems might be superimposed on them or share some characteristics. Additionally, no unanimously agreed-upon name, definition, nor indications for such winds exist. The most trusted classifications have been performed by human experts. A classification experiment for different foehn locations in the Alps and different classifier groups addressed hitherto unanswered questions about the uncertainty of these classifications, their reproducibility, and dependence on the level of expertise. One group consisted of mountain meteorology experts, the other two of master’s degree students who had taken mountain meteorology courses, and a further two of objective algorithms. Sixty periods of 48 h were classified for foehn–no foehn conditions at five Alpine foehn locations. The intra-human-classifier detection varies by about 10 percentage points (interquartile range). Experts and students are nearly indistinguishable. The algorithms are in the range of human classifications. One difficult case appeared twice in order to examine the reproducibility of classified foehn duration, which turned out to be 50% or less. The classification dataset can now serve as a test bed for automatic classification algorithms, which—if successful—eliminate the drawbacks of manual classifications: lack of scalability and reproducibility.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».