Reviewer Acknowledgements for Higher Education Studies, Vol. 10, No. 2
Notice bibliographique
Résumé
Higher Education Studies wishes to acknowledge the following individuals for their assistance with peer review of manuscripts for this issue. Their help and contributions in maintaining the quality of the journal are greatly appreciated. Higher Education Studies is recruiting reviewers for the journal. If you are interested in becoming a reviewer, we welcome you to join us. Please contact us for the application form at: hes@ccsenet.org Reviewers for Volume 10, Number 2 Alina Mag, University Lucian Blaga of Sibiu, Romania Arbabisarjou Azizollah, Zahedan University of Medical Sciences, Iran Aurora-Adina Colomeischi, Stefan cel Mare University, Romania Ausra Kazlauskiene, Siauliai University, Lithuania Bahar Gün, İzmir University of Economics, Turkey Barbara N. Martin, University of Central Missouri, USA Donna Harp Ziegenfuss, The University of Utah, USA Donna Smith, The Open University, UK Evrim Ustunluoglu, Izmir University of Economics, Turkey Geraldine N. Hill, Elizabeth City State University, United States Jayanti Dutta, Panjab University, India Laid Fekih, University of Tlemcen Algeria, Algeria Mei Jiun Wu, Faculty of Education, University of Macau, China Michael John Maxel Okoche, Uganda Management Institute, Uganda Nicos Souleles, Cyprus University of Technology, Cyprus Olusola Ademola Olaniyi, University of North Carolina, USA Savitri Bevinakoppa, Melbourne Institute of Technology, Australia Semiyu Adejare Aderibigbe, University of Sharjah, UAE Yi Luo, University of Illinois at Urbana- Champaign, USA
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,058 | 0,446 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,012 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,017 | 0,010 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,118 | 0,074 |
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 source (Gemma direct ou Codex distillé), 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 ».