Ten principles for generating accessible and useable COVID‐19 environmental science and a fit‐for‐purpose evidence base
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
1. The 'anthropause', a period of unusually reduced human activity and mobility due to COVID-19 restrictions, has serendipitously opened up unique opportunities for research on how human activities impact the environment. 2. In the field of health, COVID-19 research has led to concerns about the quality of research papers and the underlying research and publication processes due to accelerated peer review and publication schedules, increases in pre-prints and retractions. 3. In the field of environmental science, framing the pandemic and associated global lockdowns as an unplanned global human confinement experiment with urgency should raise the same concerns about the rigorousness and integrity of the scientific process. Furthermore, the recognition of an 'infodemic', an unprecedented explosion of research, risks research waste and duplication of effort, although how information is used is as important as the quality of evidence. This highlights the need for an evidence base that is easy to find and use - that is discoverable, curated, synthesizable, synthesized. 4. We put forward a list of 10 key principles to support the establishment of a reproducible, replicable, robust, rigorous, timely and synthesizable COVID-19 environmental evidence base that avoids research waste and is resilient to the pressures to publish urgently. These principles focus on engaging relevant actors (e.g. local communities, rightsholders) in research design and production, statistical power, collaborations, evidence synthesis, research registries and protocols, open science and transparency, data hygiene (cleanliness) and integrity, peer review transparency, standardized keywords and controlled vocabularies.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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