The scientist's summer reading list <b>Underland: A Deep Time Journey,</b> <i>Robert Macfarlane,</i> Norton, 2019. 496 pp. <b>Archaeology from Space: How the Future Shapes Our Past,</b> <i>Sarah Parcak,</i> Henry Holt, 2019. 288 pp. <b>Digital Cash: The Unknown History of the Anarchists, Utopians, and Technologists Who Created Cryptocurrency,</b> <i>Finn Brunton,</i> Princeton University Press, 2019. 266 pp. <b>Slime: How Algae Created Us, Plague Us, and Just Might Save Us,</b> <i>Ruth Kassinger,</i> Houghton Mifflin Harcourt, 2019. 318 pp. <b>Because Internet: Understanding the New Rules of Language,</b> <i>Gretchen McCulloch,</i> Riverhead Books, 2019. 336 pp. <b>Moonbound: Apollo 11 and the Dream of Spaceflight,</b> <i>Jonathan Fetter-Vorm,</i> Hill and Wang, 2019. 256 pp. <b>The Fate of Food: What We'll Eat in a Bigger, Hotter, Smarter World,</b> <i>Amanda Little,</i> Harmony, 2019. 350 pp. <b>Fall; or, Dodge in Hell,</b> <i>Neal Stephenson,</i> William Morrow, 2019. 890 pp.
Notice bibliographique
Résumé
How will we eat in a warming world? What makes money real? Are we being good ancestors? From a graphic celebration of the semicentennial of the Apollo 11 mission to a dystopian foray into the digital afterlife, this year's summer reading picks—reviewed by an enthusiastic group of early-career scholars—aim to unpack where we came from and where we're headed. Focus on the big picture with an engaging exploration of space archaeology, dig into the details with a thought-provoking ode to algae, or sit back and LOL at an entertaining introduction to internet linguistics.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,339 | 0,336 |
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 ».