Once Upon a Time, in AmeriFlux
Notice bibliographique
Résumé
Abstract In October 2020, under COVID‐19 quarantine, AmeriFlux held its largest and one of its most successful annual meetings. Historically, ∼100 scientists attend; this meeting had over 400 registrants and participants. Participants expressed that this was among the best virtual meetings that they had ever attended, and 100% of post‐meeting survey respondents stated that they would attend again. Feedback revealed the meeting fostered a strong sense of connection to the AmeriFlux community, especially among early career and international scientists. How did a feeling of strong connection to the community arise from the seemingly cold and isolated structures of virtual meetings? The meeting emphasized Diversity, Equity, and Inclusion (DEI), which resulted in an unexpected enhancement of science communication and community connections. Additionally, the meeting experimented with an online virtual gaming‐like world (Gather.town), where users controlled video/audio‐enabled avatars in a conference center and poster hall environment to create spontaneous conversations and discussions. In lieu of a social‐bonding field trip, participants showed videos of their field sites accompanied by informal banter, which were watched in group settings in Gather. Social mixers were structured over Zoom breakout rooms that were limited in size to promote participation with accessible games. Science talks were selected based on appeal to a demographically diverse organizing committee, which enhanced appeal to a broad meeting audience. Finally, breakout reports were given not in the format of bullet point slides, but instead as creatively improvized fairytales, which dramatically enhanced engagement. Here, we describe some of the process that went into the AmeriFlux 2020 meeting. Keeping with the theme of experimenting and fairytales, we present this narrative in the form of a fairytale; and, without further ado…
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,003 |
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 ».