Summer reading 2021 <b>Solving Public Problems: A Practical Guide to Fix Our Government and Change Our World</b> , <i>Beth Simone Noveck</i> , Yale University Press, 2021, 448 pp. <b>Technically Food: Inside Silicon Valley's Mission to Change What We Eat</b> , <i>Larissa Zimberoff</i> , Abrams Press, 2021, 240 pp. <b>Unwell Women: Misdiagnosis and Myth in a Man-Made World</b> , <i>Elinor Cleghorn, Dutton</i> , 2021, 400 pp. <b>The Uncommon Knowledge of Elinor Ostrom: Essential Lessons for Collective Action</b> , <i>Erik Nordman</i> , Island Press, 2021, 256 pp. <b>The Ascent of Information: Books, Bits, Genes, Machines, and Life's Unending Algorithm</b> , <i>Caleb Scharf</i> , Riverhead Books, 2021, 352 pp. <b>A Quantum Life: My Unlikely Journey from the Street to the Stars</b> , <i>Hakeem Oluseyi and Joshua Horwitz</i> , Ballantine Books, 2021, 368 pp. <b>Blue: In Search of Nature's Rarest Color</b> , <i>Kai Kupferschmidt</i> , The Experiment, 2021, 224 pp. <b>The Memory Thief and the Secrets Behind How We Remember: A Medical Mystery</b> , <i>Lauren Aguirre</i> , Pegasus Books, 2021, 336 pp.
Notice bibliographique
Résumé
A journalist probes the tech companies racing to entice consumers—and investors—with futuristic foods. An outsider documents his ascent in academia. A policy expert proposes a human-centered approach to solving society's problems. From an ode to azure to a deep dive into data, this year's summer reading picks—reviewed by alumni of the AAAS Mass Media Science & Engineering Fellows program—offer readers fresh perspectives on timely scientific topics. Confront the biases that have long imperiled women's health, probe the mysteries of memory, celebrate a prescient economist, and more, with the books reviewed below.
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 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 | 0,020 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes 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 ».