IPCC Sixth Assessment approaches towards FAIR data and an enhanced data reuse
Notice bibliographique
Résumé
The Intergovernmental Panel on Climate Change (IPCC) currently prepares its Sixth Assessment Report (AR6). Its authors assess peer-reviewed scientific literature and recent climate datasets to inform policy-makers about the current state of the science regarding climate change and its impacts, as well as adaptation and mitigation options. For AR6, efforts are underway to make its main results FAIR and preserve them in the TRUSTworthy repositories of the IPCC Data Distribution Centre (DDC), jointly managed by CEDA, DKRZ, and CIESIN. The AR6 FAIR initiative was kickstarted by the IPCC DDC and Working Group I (WGI) [Stockhause et al., 2019], then adopted by IPCC TG-Data (Task Group on Data Support for Climate Change Assessments) shortly after its creation. All three WGs have adopted the FAIR data guidelines. IPCC assessments are large and diverse in in terms of scientists involved as well as included scientific objects. Challenges for digital data curation are related to the scale and diversity of papers, reports, datasets, the variety of software, and the different familiarity of the scientists with these technical aspects. The following priority areas for improved data stewardship were selected based on the aims to enhance the traceability of AR6 key findings and their reusability: preserve figure datasets in the DDC; - preserve analysis software; . preserve main input datasets in the DDC; . assemble datasets and provenance information on the figure creation from IPCC authors; and . interlink datasets to the IPCC report. Datasets are transferred to the DDC at the end of AR6. The DDC partners are responsible to preserve the data for future reuse by different stakeholders and under a variety of current and future scientific and policy-related questions. As the role for the DDC expands within the IPCC, new partners are sought. The TRUST principles provide a framework for the communication of DDC tasks to different stakeholders, e.g. to countries interested to host a DDC. The presentation will give an overview over the IPCC AR6 approaches towards FAIR data maintained in TRUSTworthy repositories, their challenges, their approach to meet these challenges and open questions, e.g. the integration of digital data into the IPCC Error Protocol, targeted within TG-Data.
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 | 0,401 | 0,443 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,008 |
| Bibliométrie | 0,022 | 0,022 |
| Études des sciences et des technologies | 0,006 | 0,021 |
| Communication savante | 0,035 | 0,044 |
| Science ouverte | 0,020 | 0,046 |
| Intégrité de la recherche | 0,016 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,006 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».