Spatio-temporal Identification on Cross Border Collaborative Research Trend of Great Lakes by Applied Mathematics Method
Notice bibliographique
Résumé
The main purpose of this paper is to evaluate the global performance and to assess the current spatio-temporal trends on research outputs of Great Lakes in North America by applied mathematics method.The computational science methods were used to survey Great Lakes related articles in the Science Citation Index (SCI) and Social Science Citation Index (SSCI) during the past decades.The Macro level, Meso level and Micro level analysis insights were employed respectively on each dataset.Great Lakes research were mainly completed by USA and Canada institutes, covering 85.87% among the global research productivities.7 academic institutes in top 10 productive institutes are located in USA and other 3 institutes are addressed in Canada.50% of the top 10 scientists belong to USA, the other 50% belong to Canada, and every expert published more than 80 papers.In addition, the cognitive learning of citations explained that Great Lakes research domain was focused by USA and Canada community in total citations with an average value on citation per paper.Sweden has the most quantity in citation per paper with a relatively high quality, while in developing countries, its quality of paper needs to be improved such as in P.R China.Institutes with high quality papers are Fisheries & Ocean Canada, University of Minnesota, NOAA and Wisconsin Department Natural Resources accordingly.Considering the future challenges of climate change and sustainability in freshwater ecosystems, it should be mentioned at this point that the essence of the water security issues should be emphasized on Great Lakes research issues.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,012 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».