Notice bibliographique
Résumé
Welcome to our special COVID-19 issue of the Journal of Community Safety and Well-Being.We recognized early in the pandemic that there would be much for everyone to learn, and we hoped that, among the scholars, policy-makers, and practitioners that comprise our journal community, we might find some willing to contribute to this global learning, even as they were adapting daily to new challenges at home and at work.The response has exceeded our expectations, and this special issue is our largest to date, by far.I would like to extend my appreciation to the many authors who have contributed with thoughtful and urgently relevant content, and to our Section and Contributing Editors and all of our Reviewers who helped us to complete the publication cycle in record time while maintaining high editorial standards.I also want to acknowledge the incredible team at SG Publishing.Not only have they moved double our usual number of papers through to readiness during difficult personal times, they have also planned, designed and executed our transition to a whole new look and functionality for our Journal site.Our OJS 3 upgrade officially launches today in conjunction with this special issue.The COVID crisis is far from over, and I can assure you the Journal will continue to feature relevant pandemic material in subsequent issues, even as other critical, emerging social priorities continue to form before our eyes.In the meantime, I encourage our Readers to dig deep into the 15 articles that comprise this issue.Thanks to all of you for contributing to this vital CSWB dialogue in challenging times.Our open call for papers continues.
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 | 0,005 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,018 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,498 | 0,382 |
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 ».