Thank You to Our 2021 Peer Reviewers
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
On behalf of the journal, AGU, and the scientific community, the editors of Geophysical Research Letters would like to sincerely thank those who reviewed manuscripts for us in 2021. The hours reading and commenting on manuscripts not only improve the manuscripts, but also increase the scientific rigor of future research in the field. With the advent of AGU's data policy, many reviewers have also helped immensely to evaluate the accessibility and availability of data, and many have provided insightful comments that helped to improve the data presentation and quality. We greatly appreciate the assistance of the reviewers in advancing open science, which is a key objective of AGU's data policy. We particularly appreciate the timely reviews in light of the demands imposed by the rapid review process at Geophysical Research Letters. The COVID pandemic continued to impose additional stresses on the review process, as many reviewers had to juggle increased family commitments, hours of online meetings, remote work and instruction, lack of physical access to library resources, and other hardships, to maintain the quality and timeliness of their reviews. We received 4,832 submissions in 2021 and 5,232 reviewers contributed to their evaluation by providing 8,874 reviews in total. Although we witnessed an increase in the number of submissions, the average number of days to complete a review increased only slightly! That says a lot about the diligence of our reviewers. We deeply appreciate their contributions in these challenging times.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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