MétaCan
Menu
Retour à la cohorte
Enregistrement W4244381295 · doi:10.17975/sfj-2020-001

2020 National High School Big Data Challenge: New Climate and Information Realities - From Oceans to Glass of Water

2020· article· en· W4244381295 sur OpenAlexvenueno aff
Elena Pan, Michael Yang, Eric Chen, Joshua Scripcaru, J.C.K. Pang, Leo Tao, Earl Haig, Arya Shababi, Ali Shakeri, Robin Nash

Notice bibliographique

RevueSTEM Fellowship Journal · 2020
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBig dataMultidisciplinary approachSustainabilityClimate changeAnalyticsData scienceEntrepreneurshipPrismBusinessSociologyComputer scienceSocial scienceEcology

Résumé

récupéré en direct d'OpenAlex

STEM Fellowship’s Big Data Challenge is a unique pedagogical experiment, providing an inquiry and learning experience for high school students that, upon equipping them with top-notch analytical tools, tasks them to find hidden patterns and trends in complex scientific data. This year’s challenge provided a multidisciplinary competitive opportunity; over a period of three months, teams analysed sustainability data through the prism of computational methods. Teams worked to reveal the impact of environmental conditions on human health and well-being, diving into predictive analytics of the global and micro-climate change impacts of water and oceans on communities, energy generation, agriculture, entrepreneurship, and more.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,259
Score d'incertitude au seuil0,613

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,005
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,133
Tête enseignante GPT0,279
Écart entre enseignants0,146 · 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 tête enseignante, 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSTEM Fellowship JournalMême sujetBig Data and Business IntelligenceTravaux en français237 207