IUPAC Announces the 2021 Top Ten Emerging Technologies in Chemistry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract IUPAC has released the results of its 2021 search for the Top Ten Emerging Technologies in Chemistry. The goal of this project is to showcase the transformative value of Chemistry and to inform the general public on the potential of the chemical sciences to foster the well-being of Society and the sustainability of our Planet. Following the same guidance as it did last year, the Jury The Jury was an international group of objective and unbiased experts who reviewed and discussed a pool of nominations, and ultimately selected the final top ten. The following comprised the panel of judges for the 2021 Top Ten Emerging Technologies in Chemistry: Chair, Michael Droescher, (German Association for the Advancement of Science and Medicine), Jorge Alegre-Cebollada (Centro Nacional de Investigaciones Cardiovasculares, Spain), Sophie Carenco (French National Center for Scientific Research, France), Javier García Martínez (Universidad de Alicante, Spain), Ehud Keinan (Technion, Israel), Rai Kookana (CSIRO Land & Water, Australia), Greg Russell (University of Canterbury, New Zealand), Ken Sakai (Kyushu University, Japan), Natalia P. Tarasova (D. I. Mendeleev University of Chemical Technology, Russia), and Bernard West (Life Sciences Ontario, Canada). , a selection of international experts, identified different emerging technologies, scientific advances in between a discovery and a fully-commercialized ideas, with outstanding capacity to open new opportunities in chemistry, sustainability, and beyond. The 2021 finalists are (in alphabetical order):
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.
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) | 0,008 | 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 découle