Progress on a comprehensive earth system model evaluation framework
Notice bibliographique
Résumé
Thorough evaluation of model fidelity is critical to have faith in a model’s capability to simulate surprise; i.e. in the model’s capability to accurately simulate hydrologic behavior under changing conditions. We define three elements that should support such thorough model evaluation. First, test cases with known solution should be used to isolate the implementation of specific processes in a model and to make sure that the model code can reproduce these known solutions. Second, model simulations of individual processes should be compared to observations of these processes to determine the accuracy and appropriateness of the equations used to represent these processes in the model. Third, benchmarks need to be defined that both provide a lower limit to the accuracy we require the model to have and an upper limit to system’s predictability based on the information contained in the input and output observations. We present progress on all three themes covering (1) the development of test cases with known solutions called “laugh tests”; (2) progress in setting up a continental-scale model for process-based model evaluation; (3) critical notes about the still common use of aggregated efficiency criteria for model evaluation; (4) a summary of existing work on the need of lower and upper benchmarks which will inform further benchmarking work. A guiding principle in our work is to make our code available as open-source, so that the community can reproduce and use our work if desired. As such, we explicitly invite the community to share their own thoughts about these topics with us.
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 | 0,167 | 0,156 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,018 | 0,019 |
| Science ouverte | 0,013 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».