MétaCan
Menu
Retour à la cohorte
Enregistrement W3120843108

Measure to Manage: Ghost PLUZ Collector App

2017· article· en· W3120843108 sur OpenAlexaffabout
Nisha Panesar, Gwen O’Sullivan

Notice bibliographique

RevueURSCA Proceedings · 2017
Typearticle
Langueen
DomainePsychology
ThématiqueRecreation, Leisure, Wilderness Management
Établissements canadiensMount Royal University
Organismes subventionnairesnon disponible
Mots-clésRecreationUsabilityGeoreferenceFishingSmartphone appData collectionGovernment (linguistics)Measure (data warehouse)GeographyPhoneEnvironmental resource managementComputer scienceBusinessEnvironmental planningWorld Wide WebDatabaseEnvironmental scienceHuman–computer interactionFisheryEcology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The Ghost Public Land Use Zone (PLUZ), located 60 km northwest of Calgary, is a popular area for recreation activities such as camping, hiking, fishing, and driving off-highway vehicles (OHVs), despite lack of sufficient facilities to support these activities. There is a desire among concerned residents for a better understanding of the current land use to warrant the development of more facilities, to help decrease widespread environmental damage resulting from recreation. Using Esri’s Collector for ArcGIS, a smartphone app was created which allows residents to record incidents of environmental damage related to recreation, with or without cell reception. The data fields and the data input structure were designed in collaboration with the residents to ensure optimal usability. Data is automatically georeferenced and stored on ArcGIS Online, Esri’s cloud-based mapping platform, allowing multiple people to use the app and view the data simultaneously. The app was successfully tested by the community users, their feedback was recorded, and the app has drawn interest from Alberta government representatives who make decisions about recreational planning in the Ghost PLUZ. * Indicates faculty mentor.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
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: Sans objet
GenreSignal candidat: Logiciel · Signal consensuel: aucune
Score de désaccord entre enseignants0,077
Score d'incertitude au seuil0,258

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0770,020

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 Opus0,030
Tête enseignante GPT0,325
Écart entre enseignants0,296 · 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
GenreLogiciel

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueURSCA ProceedingsMême sujetRecreation, Leisure, Wilderness ManagementTravaux en français237 207