MétaCan
Menu
Retour à la cohorte
Enregistrement W32955065 · doi:10.1039/d0cs00997k

Reductions of the Already Reduced: The Neglect of Qualifiers, Rebuttals, and Backing in Appropriations of the ‘Toulmin Model’ in Contemporary Composition Pedagogy

2005· article· en· W32955065 sur OpenAlexaff
David Flemming, Melvin Hall

Notice bibliographique

RevueChemical Society Reviews · 2005
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueDiscourse Analysis in Language Studies
Établissements canadiensUniversity of Windsor
Organismes subventionnairesNational Nuclear Security AdministrationNorthwestern University
Mots-clésRhetoricComposition (language)Argumentation theoryArgumentativeArgument (complex analysis)AppropriationEpistemologyVariety (cybernetics)SociologyComputer sciencePhilosophyLinguisticsChemistryArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Since the first reports of metal-organic frameworks (MOFs), this unique class of crystalline, porous materials has garnered increasing attention in a wide variety of applications such as gas storage and separation, catalysis, enzyme immobilization, drug delivery, water capture, and sensing. A fundamental feature of MOFs is their porosity which provides space on the micro- and meso-scale for confining and exposing their functionalities. Therefore, designing MOFs with high porosity and developing suitable activation methods for preserving and accessing their pore space have been a common theme in MOF research. Reticular chemistry allows for the facile design of MOFs from highly tunable metal nodes and organic linkers in order to realize different pore structures, topologies, and functionalities. With the hope of shedding light on future research endeavors in MOF porosity, it is worthwhile to examine the development of MOFs, with an emphasis on their porosity and how to properly access their pore space. In this review, we will provide an overview of the historic evolution of porosity and activation of MOFs, followed by a synopsis of the strategies to design and preserve permanent porosity in MOFs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,120
Score d'incertitude au seuil0,283

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,084
Tête enseignante GPT0,335
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemical Society ReviewsMême sujetDiscourse Analysis in Language StudiesTravaux en français237 207