Assessing taxon names in palynology (I): working with databases
Notice bibliographique
Résumé
An overview of the history of a taxon name and its current status are critical in taxonomy; and selecting the correct name from among synonyms is commonly important in applied studies. This often onerous task can be facilitated by working with databases that can be used to develop an overview of the number of species within a genus as well as their spatial and temporal distributions and their frequency of use. For example, a quantitative analysis of the use of competing names can inform formal proposals to conserve, protect, or reject names. Currently, palynologists can consult two extensive databases, Palynodata and the John Williams Index of Palaeopalynology, both of which were discontinued, in 2006 and 2015, respectively. As new data accumulates, analyses require augmentation from uncurated online resources such as Google Scholar. Here, we conducted a case study for four Mesozoic genera relevant for example in studying the Triassic–Jurassic transition in the Germanic Basin. The genera contain a total of 65 species. The study compared the output from the two databases of references and an online source for the species inventory over time by analysing more than 2000 citations and their cross-occurrences. We found that the John Williams Index is the most accurate and extensive, but it can only be consulted in person in London. Palynodata, available as a dataset or online, is the more accessible source of information. Our study also shows that no significant difference results from whether one combines the John Williams Index or Palynodata with Google Scholar since using any two of these sources provide a recovery of at least 75% of all citations compared to using all three. In conclusion, each database has its own advantages and disadvantages, and when working under time pressure, the choice of database depends on the research question asked.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».