MétaCan
Menu
Retour à la cohorte
Enregistrement W4210558703 · doi:10.53390/ijes.v12i2.5

ECOLOGICAL RESTORATION OF EARTH'S ECOSYSTEM AND THE DECADE OF ECOSYSTEM RESTORATION

2021· article· en· W4210558703 sur OpenAlexaff
Debasmita Patra, Saikat Basu

Notice bibliographique

RevueInternational Journal on Environmental Sciences · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueLand Use and Ecosystem Services
Établissements canadiensLethbridge CollegeUniversity of Lethbridge
Organismes subventionnairesUnited Nations Educational, Scientific and Cultural Organization
Mots-clésRestoration ecologyEcosystemWetlandNatural capitalEcosystem servicesEnvironmental resource managementEnvironmental restorationEcologySustainable developmentGeographyEnvironmental scienceBiology

Résumé

récupéré en direct d'OpenAlex

Restoration ecology has demonstrated an astounding growth as a new discipline of applied science, since its emergence in the past decades. Future-aimed restoration should acknowledge the changing and unpredictable environment of the future, assume the dynamic nature of ecological communities with multiple trajectories, and connect landscape elements for improving ecosystem functions and structures. Ecosystem loss is depriving the world of carbon sinks, like forests and wetlands, at a time when humanity can least afford it. Ecosystem restoration aims to repair some damage done to the environment and regain ecological functionality. The United Nations (UN) recently declared 2021 to 2030 the Decade on Ecosystem Restoration- a global mission to revive billions of hectares, from forests to farmlands, from the top of mountains to the depth of the sea. The path to a more sustainable use of ecosystems must begin with the development of inclusive wealth measures which capture natural, social, human and manufactured capital and are thus more accurate ways to measure economic progress.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0040,018
Communication savante0,0070,012
Science ouverte0,0010,006
Intégrité de la recherche0,0050,008
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,013
Tête enseignante GPT0,237
Écart entre enseignants0,224 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal on Environmental SciencesMême sujetLand Use and Ecosystem ServicesTravaux en français237 207