On doing large-scale hydrology with Lions: Realising the value of perceptual models and knowledge accumulation
Notice bibliographique
Résumé
Moving the study domain in hydrology to larger and larger regions leaves us with significant knowledge gaps because we are unable to observe the hydrology of many parts of the world, while in-depth hydrologic studies cover only a fraction of our landscape. On medieval maps, knowledge gaps were shown as images of lions. How do we best acknowledge and reduce these gaps in hydrology, i.e. our hydrologic lions? The accumulation of knowledge has been postulated as the fundamental mark of scientific advancement by some philosophers of science. In hydrology, knowledge accumulation has been somewhat fragmented, left as a pursuit for (often brilliant) individuals rather than emphasised as a necessary focus for the research community. Our knowledge of a region’s hydrology originates from available observations. However, the ability of observations to reliably characterise hydrological phenomena is limited, and large areas of the globe lack detailed observations. In this commentary we propose two strategies to rectify these deficiencies. First, the use of shared perceptual models as ways to capture, debate and test our experience with different hydrologic systems. Second, improved knowledge accumulation in hydrology by more strongly focusing on knowledge extraction from available historical articles. This effort should include the addition of meta-data to tag hydrologic journal articles and by developing a related hydrological database that would enable searching, organizing and analysing previous studies in a hydrologically meaningful manner.
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 | 0,041 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,029 |
| Communication savante | 0,019 | 0,041 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».