Goals in Nutrition Science 2020-2025
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Five years ago, with the editorial board of Frontiers in Nutrition, we took a leap of faith to outline the Goals for Nutrition Science - the way we see it (1). Now, in 2020, we can put ourselves to the test and take a look back. Without a doubt we got it right with several of the key directions. To name a few, Sustainable Development Goals (SDGs) for Food and Nutrition are part of the global public agenda, and the SDGs contribute to the structuring of international science and research. Nutritional Science has become a critical element in strengthening work on the SDGs, and the development of appropriate methodologies is built on the groundwork of acquiring and analyzing big datasets. Investigation of the Human Microbiome is providing novel insight on the interrelationship between nutrition, the immune system and disease. Finally, with an advanced definition of the gut-brain-axis we are getting a glimpse into the potential for Nutrition and Brain Health. Various milestones have been achieved, and any look into the future will have to consider the lessons learned from Covid-19 and the sobering awareness about the frailty of our food systems in ensuring global food security. With a view into the coming 5 years from 2020 to 2025, the editorial board has taken a slightly different approach as compared to the previous Goals article. A mind map has been created to outline the key topics in nutrition science. Not surprisingly, when looking ahead, the majority of scientific investigation required will be in the areas of health and sustainability. Johannes le Coutre, Field Chief Editor, Frontiers in Nutrition.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle