Notice bibliographique
Résumé
TENTATIVE TOPICS TO BE INCLUDED: PART I: Overview and Scope of the Problem. Unmet School Infrastructure Funding Need as a Critical Educational Capacity Issue, Faith E. Crampton, University of Wisconsin Milwaukee. Overview of State Funding of School Infrastructure: A Comparison of Funding Levels and Mechanisms, Catherine C. Sielke, University of Georgia. Canadian Approaches to the Financing of School Infrastructure, Vivian Hajnal, University of Saskatchewan. School Infrastructure as an Investment in Human Capital, Barbara Y. LaCost, University of Nebraska, and Terry G. Geske, Louisiana State University. PART II: Current Challenges to Funding of School Infrastructure. Urban School Infrastructure Funding Issues, James C. Cibulka, University of Maryland. Funding School Infrastructure: Rural America's Plight, Jeffrey Maiden, University of Oklahoma. Capital Costs and Higher Education Finance, Mary McKeown Moak, MGT of America, Inc. School Level Issues: Are Administrators Efficient Managers of Capital Funds? Brian O. Brent, University of Rochester. PART III: The Future of School Infrastructure Funding. A Policy Framework for the Funding of School Infrastructure, Lawrence O. Picus, University of Southern California. School Finance Litigation: A Strategy to Address Inequities in School Infrastructure Funding, Deborah A. Verstegen, University of Virginia. Alternative Funding Mechanisms for School Infrastructure, Jewell C. Gould, American Federation of Teachers. Funding Technology vs. Bricks and Mortar: Can We Have It All? Donald R. Tetreault, University of South Carolina. PART IV: Conclusion. Striking a Balance: State, Local, and Federal Responsibility for the Funding of School Infrastructure, David C. Thompson, Kansas State University, and Faith E. Crampton, University of Wisconsin Milwaukee.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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; un appel candidat d’une seule tête enseignante, 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 ».