MétaCan
Menu
Retour à la cohorte
Enregistrement W3005617961 · doi:10.1002/smll.201906567

Ultrasensitive Physical, Bio, and Chemical Sensors Derived from 1‐, 2‐, and 3‐D Nanocellulosic Materials

2020· review· en· W3005617961 sur OpenAlexaff
Lei Dai, Yan Wang, Xuejun Zou, Zhi‐Rong Chen, Hong Liu, Yonghao Ni

Notice bibliographique

RevueSmall · 2020
Typereview
Langueen
DomaineMaterials Science
ThématiqueAdvanced Cellulose Research Studies
Établissements canadiensUniversity of New BrunswickFPInnovations
Organismes subventionnairesNational Key Research and Development Program of ChinaChina Postdoctoral Science FoundationNatural Science Foundation of Shaanxi ProvinceNational Natural Science Foundation of China
Mots-clésNanocelluloseNanotechnologyNanofiberBacterial celluloseCelluloseNanomaterialsContext (archaeology)Materials scienceChemical engineeringEngineeringBiology

Résumé

récupéré en direct d'OpenAlex

Sensors are of increasing interest since they can be applied to daily life in different areas from various industrial sectors. As a natural nanomaterial, nanocellulose plays a vital role in the development of novel sensors, particularly in the context of constructing multidimensional architectures. This review summarizes the utilization of nanocellulose including cellulose nanofibers, cellulose nanocrystals, and bacterial cellulose for sensor design, mainly focusing on the influence of nanocellulose on the sensing performance of these sensors. Special attention is paid to nanocellulose in different forms (1D, 2D, and 3D) to highlight the impact of nanocellulose constructed structures. The aim is to provide a critical review on the most recent progress (especially after 2017) related to nanocellulose-containing sensors, since there are significantly increasing research activities in this area. Moreover, the outlook for the development of nanocellulose-containing sensors is also provided at the end of this work.

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)0,000
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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,045
Tête enseignante GPT0,307
Écart entre enseignants0,262 · 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

Citations168
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmallMême sujetAdvanced Cellulose Research StudiesTravaux en français237 207